Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
", "aboutText": "Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.\n\nDefinér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.\n\nDe dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.\n\nEn afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.\n\nDen specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.\n\nVejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.\n\nDet native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.\n\nMulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a support message record\n\nExtract fields from message S-91: "The pump P-28 stopped after ten minutes. I bought two, but only one has this issue. Please arrange a replacement." Return message ID, product code, issue, purchased quantity and affected quantity in a small table. Include the exact supporting phrase for each extracted value.A field/value/evidence table retaining S-91 and separating purchased from affected quantity.Check that two purchased pumps do not become two defective pumps.gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-flash-lite | 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/messagesAiloot 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.5-flash-lite", "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-3.5-flash-lite", "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-3.5-flash-lite",\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-3.5-flash-lite",\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-3.5-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-flash-lite | 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}:generateContentAiloot 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.5-flash-lite: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-3.5-flash-lite: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-3.5-flash-lite", 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-3.5-flash-lite", 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-3.5-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-flash-lite | 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.5-flash-lite","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-3.5-flash-lite", 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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-flash-lite | 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.5-flash-lite', '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-3.5-flash-lite', '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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-flash-lite | 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/messagesAiloot 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-flash-lite", "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-flash-lite", "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-flash-lite",\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-flash-lite",\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-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-flash-lite | 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}:generateContentAiloot 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-flash-lite: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-flash-lite: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-flash-lite", 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-flash-lite", 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-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-lite-latestGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-flash-lite-latest | 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/messagesAiloot 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-flash-lite-latest", "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-flash-lite-latest", "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-flash-lite-latest",\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-flash-lite-latest",\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-flash-lite-latest',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-lite-latestGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-flash-lite-latest | 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}:generateContentAiloot 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-flash-lite-latest: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-flash-lite-latest: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-flash-lite-latest", 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-flash-lite-latest", 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-flash-lite-latest',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
google/gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.5-flash-lite | 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.5-flash-lite", "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-3.5-flash-lite',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-3.5-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
google/gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale model til afgrænsede subagentopgaver, dokumentanalyse og gentaget dataudtræk. Dens standardræsonnering minimal egner sig til afgrænsede poster; medium eller high er dokumenteret til værktøjsarbejde med flere trin. Den returnerer tekst eller strukturerede resultater fra tekst, billeder, lyd, video og PDF.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash-Lite er Googles udførelsesfokuserede multimodale tekstprofil til gentaget dataarbejde og afgrænsede subagentopgaver. Den bygger på Gemini 3.1 Flash-Lite og forbedrer dokumentforståelse, værktøjspålidelighed og instruktionsfølgning over flere ture. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. Et nyttigt resultat er én udtrukket post, en klassifikation, en kort oversættelse eller en afgrænset værktøjsassisteret analyse inden for en større opgave.
Definér de vigtige felter og den dokumentation, hvert felt skal bevare, ved dokumentanalyse. Giv de relevante sider, og angiv, hvordan manglende eller tvetydige oplysninger skal repræsenteres. Udtræk en produktkode, det nævnte problem og en understøttende sætning fra en supportbesked ved supportbeskedudtræk, og bevar beskedidentifikatoren i svaret. Et dokument med flere kandidater til et felt må ikke ubemærket sammenfatte dem til én gættet værdi. Struktureret JSON kan gøre resultatet brugbart til senere behandling, når skemaet passer til den faktiske opgave.
De dokumenterede tænkeniveauer er minimal, low, medium og high med minimal som standard. Producenten anbefaler den til udtræk, routing og klassifikation i store mængder, mens medium eller high er passende til autonomt subagentarbejde med værktøjskald, kodekørsel eller flere ræsonneringstrin. Vejledningen anbefaler specifikt at øge indsatsen ved disse længere opgaver for at undgå, at værktøjsarbejdet afsluttes for tidligt. Udtræk af ét felt og en dokumentsammenligning med undtagelser har derfor gavn af forskellige indsatsvalg. minimal er en understøttet indstilling i denne udgave frem for en generel indstilling, der kan overføres til alle Flash-modeller.
En afgrænset subagentbeskrivelse skal indeholde én opgave, dens kildemateriale, tilladte værktøjer og den krævede slutform. Den kan f.eks. undersøge en tabel for en angivet regel og returnere de berørte rækker med de relevante værdier. Producenten fremhæver også behandling af tabeldata og frontend-JavaScriptarbejde understøttet af let kodekørsel. Den omgivende applikation er stadig ansvarlig for at køre en anmodet funktion og returnere det faktiske resultat. Hold et færdigt resultat adskilt fra et ikke-udført forslag eller et uafklaret inputspørgsmål.
Den specifikke side for 3.5 Flash-Lite angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst med Computer Use markeret som preview. Struktureret output og tænkning understøttes. Bevar de faktiske instruktioner og værktøjsobservationer for en persona eller opgave med flere ture, så senere svar følger samme opgave. Udviklervejledningen fremhæver stærkere fastholdelse af personaen end i 3.1 Flash-Lite. Brug en kort rolle og en outputkontrakt frem for at omdefinere målet ved hver opfølgning.
Vejledningen udfaser også ældre samplingindstillinger og forudfyldte afsluttende modelture for denne udgave. Styr et afgrænset svar med eksplicitte instruktioner eller et skema frem for at forsøge at begynde svaret inde i en syntetisk tur med model-rolle. Bevar Gemini 3-konteksten med tankesignaturer, hvor grænsefladen kræver det, og match funktionsresultater med deres kald. Disse forberedelsesregler understøtter en fortsættelse, der stadig har den dokumentation, som kræves for at afslutte samme opgave.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den specifikke API-side angiver 1.048.576 inputtokens og 65.536 outputtokens. Instruktioner, poster, historik og medier bidrager alle til inputforberedelsen. Caching-, batch-, Flex- og Priority-muligheder er angivet for producentprofilen. Brug stabile identifikatorer og et kort, ensartet svarformat ved gentagne anmodninger, så hvert udtræk kan sammenlignes med sin kilde. Lyd-, billed- eller videoinput producerer en tekstfortolkning eller et transskript i denne profil frem for genereret tale eller billedkunst.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvise forsinkelser eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Kildeafhængigt udtræk skal returnere det, det leverede materiale understøtter; spørgsmål om aktuelle fakta kræver aktuel dokumentation. Sammenlignet med 3.1 Flash-Lite tilføjer denne profil de dokumenterede udførelses- og computerbrugsmuligheder, mens 3.6 Flash lægger vægt på mere kompleks programmering og rumligt arbejde. Gennemgå udtrukne felter, værktøjsresultater og bevarede instruktioner, før svaret indgår i en større arbejdsgang.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.5-flash-lite | 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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemini-3.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.5-flash-lite', '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-3.5-flash-lite', '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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
Teknisk eksempel på engelsk
Extract a support message record\n\nExtract fields from message S-91: "The pump P-28 stopped after ten minutes. I bought two, but only one has this issue. Please arrange a replacement." Return message ID, product code, issue, purchased quantity and affected quantity in a small table. Include the exact supporting phrase for each extracted value.A field/value/evidence table retaining S-91 and separating purchased from affected quantity.Check that two purchased pumps do not become two defective pumps.