Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.
En programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.
Udgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.
En definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.
Det dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.
Den specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.
Denne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.
Definér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.
", "aboutText": "Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.\n\nEn programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.\n\nUdgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.\n\nEn definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.\n\nDet dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.\n\nDen specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.\n\nDenne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.\n\nDefinér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "18a4f50a5a57c5e14de07d163ff82f8788ed4b035950b868bdb9aa7961bc5fbb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "gemini-3.5-flash-thinkingGemini 3.5 Flash kombinerer multimodal forståelse med ræsonnering til programmering og agentopgaver med flere trin. Den accepterer tekst, billeder, video, lyd og PDF og producerer tekst med strukturerede output, værktøjer og en inputgrænse på 1.048.576 tokens i sin dokumenterede profil.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.
En programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.
Udgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.
En definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.
Det dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.
Den specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.
Denne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.
Definér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-flash-thinking | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.018 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.5-flash-thinking","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-thinking", 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 Ultra gemini-3.5-flash-thinking
/chat/completions
gemini-3.5-flash-thinkingGemini 3.5 Flash kombinerer multimodal forståelse med ræsonnering til programmering og agentopgaver med flere trin. Den accepterer tekst, billeder, video, lyd og PDF og producerer tekst med strukturerede output, værktøjer og en inputgrænse på 1.048.576 tokens i sin dokumenterede profil.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.
En programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.
Udgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.
En definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.
Det dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.
Den specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.
Denne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.
Definér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-flash-thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.018 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.5-flash-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gemini-3.5-flash-thinking
/chat/completions