Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
", "aboutText": "Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.\n\nGiv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.\n\nLanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.\n\nDe dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.\n\nDen specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.\n\nIdentificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.\n\nDet native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.\n\nDen navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a cross-module date contract\n\nReview this contract mismatch. Producer emits {due_date: "2026-11-03"}; consumer reads record.dueDate and displays "No date" when missing. Existing stored records use due_date. Propose the smallest compatible correction and tests for both present and absent dates. Preserve the producer field and do not add a second stored field.A short mismatch analysis, a focused consumer patch and tests covering the stored field and missing-value behavior.Check that the patch reads due_date without changing persisted records or treating an absent date as a valid one.gemini-3.1-pro-previewGemini 3.1 Pro Preview er Googles multimodale ræsonnementsmodel til komplekse software-, algoritme- og vidensopgaver. Den modtager tekst, billeder, lyd, video og PDF og returnerer tekst eller kode med værktøjer og struktureret output. Ræsonnementsniveauerne low, medium og high styrer indsatsen; high er den dokumenterede standard.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.1-pro-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Grænsen gælder for: den præcise øvre grænse for valgt model/modelkort | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].name | Typestring | KravValgfrit | Værdier og grænser Gælder når: værktøj angivet | Standard— |
Felttools[].description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.type | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
Feltcache_control | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller en blok med type=text
Tekst + billede
{type:image,source:{type:base64,media_type,data}} eller kilde med type=url
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext, image |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/messages| Anmodningens størrelse, tokens | Input | Output | Cachelæsning | Cacheskrivning | Cache 5 min. | Cache 1 time |
|---|---|---|---|---|---|---|
| Anmodningens størrelse, tokens(0; 200.000] | Input0,002 US$ | Output0,012 US$ | Cachelæsning0,0002 US$ | CacheskrivningGrundsats: — | Cache 5 min.Grundsats: — | Cache 1 timeGrundsats: — |
| Anmodningens størrelse, tokens(200.000; ∞) | Input0,004 US$ | Output0,018 US$ | Cachelæsning0,0004 US$ | CacheskrivningGrundsats: — | Cache 5 min.Grundsats: — | Cache 1 timeGrundsats: — |
Takster i USD pr. 1K tokens. Hvis ingen takst er angivet, overtages grundtaksten for denne metode; «—» betyder, at ingen grundtakst er angivet.
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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-pro-preview", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-pro-preview", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-3.1-pro-preview",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-3.1-pro-preview",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gemini-3.1-pro-preview',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview er Googles multimodale ræsonnementsmodel til komplekse software-, algoritme- og vidensopgaver. Den modtager tekst, billeder, lyd, video og PDF og returnerer tekst eller kode med værktøjer og struktureret output. Ræsonnementsniveauerne low, medium og high styrer indsatsen; high er den dokumenterede standard.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-3.1-pro-preview | Standard— |
Feltcontents | Typecontent[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltcontents[].role | Typestring | KravValgfrit | Værdier og grænser user, model | Standard— |
Feltcontents[].parts | Typepart[] | KravPåkrævet | Værdier og grænser | Standard— |
FeltsystemInstruction | Typecontent | KravValgfrit | Værdier og grænser | Standard— |
FeltgenerationConfig.maxOutputTokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
FeltsessionId | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Tekst · UTF8-tekst
contents[].parts[].text
Tekst + billede
parts[].inlineData={mimeType,data}
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext, image |
Parameterrequired | Kontraktcontents |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1beta/models/{model}:generateContent| Anmodningens størrelse, tokens | Input | Output | Cachelæsning | Cacheskrivning | Cache 5 min. | Cache 1 time |
|---|---|---|---|---|---|---|
| Anmodningens størrelse, tokens(0; 200.000] | Input0,002 US$ | Output0,012 US$ | Cachelæsning0,0002 US$ | CacheskrivningGrundsats: — | Cache 5 min.Grundsats: — | Cache 1 timeGrundsats: — |
| Anmodningens størrelse, tokens(200.000; ∞) | Input0,004 US$ | Output0,018 US$ | Cachelæsning0,0004 US$ | CacheskrivningGrundsats: — | Cache 5 min.Grundsats: — | Cache 1 timeGrundsats: — |
Takster i USD pr. 1K tokens. Hvis ingen takst er angivet, overtages grundtaksten for denne metode; «—» betyder, at ingen grundtakst er angivet.
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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.1-pro-preview:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.1-pro-preview:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-3.1-pro-preview", contents="Explain the difference between an observation and a hypothesis 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(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-3.1-pro-preview", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\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=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\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\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-3.1-pro-preview',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson eller understøttet streaming
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle kandidater og dele, herunder funktionskald, ræsonnementssignaturer og forbrugsoplysninger; saml streamingdele i rækkefølge.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
FeltresponseId | Typestring |
FeltmodelVersion | Typestring |
Feltcandidates[].content.parts[] | Typetext|inlineData|functionCall|other part |
Feltcandidates[].finishReason | Typestring |
FeltusageMetadata | 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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview er Googles multimodale ræsonnementsmodel til komplekse software-, algoritme- og vidensopgaver. Den modtager tekst, billeder, lyd, video og PDF og returnerer tekst eller kode med værktøjer og struktureret output. Ræsonnementsniveauerne low, medium og high styrer indsatsen; high er den dokumenterede standard.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.1-pro-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
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 |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.1-pro-preview","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-3.1-pro-preview", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview er Googles multimodale ræsonnementsmodel til komplekse software-, algoritme- og vidensopgaver. Den modtager tekst, billeder, lyd, video og PDF og returnerer tekst eller kode med værktøjer og struktureret output. Ræsonnementsniveauerne low, medium og high styrer indsatsen; high er den dokumenterede standard.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.1-pro-preview | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.1-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-pro-preview', '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-3.1-pro-preview', '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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
google/gemini-3.1-pro-previewGemini 3.1 Pro Preview er Googles multimodale ræsonnementsmodel til komplekse software-, algoritme- og vidensopgaver. Den modtager tekst, billeder, lyd, video og PDF og returnerer tekst eller kode med værktøjer og struktureret output. Ræsonnementsniveauerne low, medium og high styrer indsatsen; high er den dokumenterede standard.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.1-pro-preview | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.1-pro-preview", "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='google/gemini-3.1-pro-preview',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='google/gemini-3.1-pro-preview',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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
google/gemini-3.1-pro-previewGemini 3.1 Pro Preview er Googles multimodale ræsonnementsmodel til komplekse software-, algoritme- og vidensopgaver. Den modtager tekst, billeder, lyd, video og PDF og returnerer tekst eller kode med værktøjer og struktureret output. Ræsonnementsniveauerne low, medium og high styrer indsatsen; high er den dokumenterede standard.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Pro Preview er Googles ræsonneringsorienterede tekstmodel til komplekse opgaver, der kræver softwareudvikling, algoritmeudvikling eller syntese af multimodal dokumentation. Den bygger på Gemini 3 Pro og lægger vægt på præcis værktøjsbrug, mere effektiv ræsonnering og pålidelig udførelse i flere trin. Tekst, billeder, lyd, video og PDF kan bidrage til et skriftligt svar, et koderesultat eller et struktureret resultat.
Giv målet, relevant kodebasemateriale, observeret adfærd og de begrænsninger, der skal bevares, ved en krævende programmeringsopgave. Hele kodebaser kan give kontekst til opgaven. Bed ved en kodekontraktgennemgang modellen om at sammenligne to modulers håndtering af en fælles datakontrakt, identificere afvigelsen og foreslå en målrettet rettelse med understøttende kodehenvisninger. Det nyttige output adskiller analysen, den foreslåede revision og dokumentationen fra en eventuel validering udført af den tilsluttede applikation.
Lanceringsmaterialet demonstrerer kodebaserede visuelle forklaringer og interaktive projekter, herunder animeret SVG-output fra en tekstopgave. Det er koderesultater frem for generering af rasterbilleder. En klar opgavebeskrivelse kan definere, hvad der skal forklares, hvordan det visuelle skal opføre sig, og hvilke data det skal repræsentere. Gennemgå den resulterende kode og visning mod kravene. Giv de faktiske kilder til en datasynteseopgave, og bed om én visning, der bevarer forholdene og forbeholdene i dem.
De dokumenterede tænkeniveauer er low, medium og high med high som standard for 3.1 Pro Preview. Tænkning kan ikke deaktiveres helt i denne Pro-profil. Vælg lavere indsats til et afgrænset svar og mere ræsonnering til vanskeligt arbejde med flere trin, mens du efterlader tilstrækkelig outputramme til slutresultatet. Et lille outputloft kan afbryde ræsonnering, før et brugbart endeligt svar vises. Tænkevejledningen adskiller en sammenfatning af ræsonnering fra hele den interne proces og forklarer, hvorfor samtalens kontekst med tankesignaturer er vigtig.
Den specifikke Preview-tabel angiver funktionskald, kodekørsel, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output. Den afgrænser File Search til AI Studio. Angiv funktionsformål og parameterdefinitioner, og fortsæt ud fra det faktisk returnerede resultat. Den særskilte Custom Tools Preview-profil er optimeret til at prioritere brugerdefinerede værktøjer og bash; den er et særskilt navngivet producentendpoint, så denne specialisering må ikke ubemærket behandles som en egenskab ved hver 3.1 Pro-anmodning. Vælg et struktureret resultatskema, når en opgave kræver definerede poster frem for ubegrænset prosa.
Identificér den relevante side, visualisering, optagelsesinterval eller videohændelse ved multimodal analyse. Sammenlign et diagram med dets skriftlige specifikation ved dokumentanalyse, og returnér hver afvigelse med dens understøttende passage. En talt kilde kan bidrage med et transskript eller en fortolkning i tekst. Bevar kildehenvisninger til de konklusioner, der kræver kontrol, og adskil det synlige eller angivne fra det udledte. Denne profils output forbliver tekst inklusive kode; native billed- eller talegenerering er ikke en del af dens specifikke egenskabstabel.
Det native modelkort for 3.1 Pro angiver op til 1M kontekst og 64K tekstoutput, og den specifikke Preview-API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktioner, samtalehistorik og medier i inputbudgettet. Caching og batchbehandling er dokumenteret med Flex- og Priority-muligheder også angivet for producentprofilen. Definér det krævede output for flere uafhængige elementer, og bevar hver kildeidentifikator frem for at kombinere uvedkommende dokumentation til ét usporbart svar.
Den navngivne Preview-udgave forbliver adskilt fra Custom Tools-profilen for Pro og efterfølgende Flash- eller Pro-udgivelser. Dens styrker vedrører kompleks ræsonnering, programmering og syntese af dokumentation; slutresultatet skal stadig kontrolleres mod kilden og de faktiske værktøjsresultater. Bevar uafklaret tvetydighed, når de leverede oplysninger ikke understøtter en sikker konklusion. Et nyttigt resultat er det underbyggede svar, den kode eller den post, opgaven krævede, med nok dokumentation til at vurdere de praktiske begrænsninger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.1-pro-preview | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens Output · Outputtokens fra ræsonnering $0.024 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med200.000 | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end200.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.008 / 1K tokens Output · Outputtokens $0.036 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0.00075 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemini-3.1-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemini-3.1-pro-preview', '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': 'google/gemini-3.1-pro-preview', '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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
Teknisk eksempel på engelsk
Review a cross-module date contract\n\nReview this contract mismatch. Producer emits {due_date: "2026-11-03"}; consumer reads record.dueDate and displays "No date" when missing. Existing stored records use due_date. Propose the smallest compatible correction and tests for both present and absent dates. Preserve the producer field and do not add a second stored field.A short mismatch analysis, a focused consumer patch and tests covering the stored field and missing-value behavior.Check that the patch reads due_date without changing persisted records or treating an absent date as a valid one.