Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
", "aboutText": "Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.\n\nUdviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.\n\nIndledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.\n\nRumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.\n\nmedium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.\n\n3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.\n\nDet native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.\n\nMulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Diagnose swapped chart series\n\nA chart receives [{month:'Jan', sales:20, returns:2}, {month:'Feb', sales:30, returns:3}], but its Sales series uses rows.map(r => r.returns). Identify the data-binding error and propose one correction. Keep the existing month labels and Returns series unchanged. Include a small assertion showing the expected Sales data without claiming the chart was rendered.One corrected series expression and a concrete assertion against the supplied data.Only the Sales binding changes, and its values come from sales rather than returns.gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.6-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.6-flash", "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-3.6-flash", "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-3.6-flash",\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-3.6-flash",\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-3.6-flash',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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.6-flash | 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 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— |
Tekst · UTF8-tekst
messages[].content
Tekst + billede
{type:image_url,image_url:{url,detail}}
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext, image |
Parameterrequired | Kontraktmodel, messages |
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/chat/completionsAiloot 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.6-flash", "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/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${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-3.6-flash", "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_url","image_url":{"url":"data:"+mime+";base64,"+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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="gemini-3.6-flash",\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "gemini-3.6-flash",\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(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-3.6-flash',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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-3.6-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.6-flash: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-3.6-flash: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-3.6-flash", 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-3.6-flash", 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-3.6-flash',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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.6-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.6-flash","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-3.6-flash", 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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.6-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.6-flash', '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-3.6-flash', '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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
google/gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.6-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.6-flash", "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-3.6-flash',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-3.6-flash',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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
google/gemini-3.6-flashGemini 3.6 Flash er Googles multimodale tekstmodel til programmering, rumlig analyse og agenter med flere trin. Den fremhæver diagnostisk undersøgelse, afgrænsede redigeringer og færre unødvendige udførelsesløkker. Den accepterer tekst, billeder, lyd, video og PDF med værktøjer, struktureret output og en inputgrænse på 1.048.576 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.6 Flash er Googles alsidige multimodale profil til programmering, vidensarbejde og agentbaseret udførelse. Den bygger på Gemini 3.5 Flash med fokus på forbedret multimodal ydeevne og tokeneffektivitet. Modellen accepterer tekst, billeder, lyd, video og PDF og returnerer tekst. En nyttig opgave kan kombinere kode, et skærmbillede og et krav eller sammenligne et diagram eller en visuel plan med skriftlige begrænsninger for at producere en kontrolleret forklaring eller målrettet revision.
Udviklervejledningen lægger vægt på færre unødvendige ræsonneringstrin, ture og værktøjskald i arbejde med flere trin sammen med mere målrettede redigeringer. Giv den observerede fejl, den relevante kilde og den adfærd, der skal forblive uændret, til diagnose. Bed ved diagramfejlfinding modellen om at undersøge, hvorfor et diagram viser den forkerte serie, identificere den involverede datatransformation og foreslå én rettelse med bevarelse af det omgivende layout. Resultatet kan derefter sammenlignes med de faktiske inputdata og den krævede diagramadfærd.
Indledende programmatisk undersøgelse er en særskilt adfærd, der beskrives for 3.6. Producenten siger, at modellen oftere undersøger et problem med diagnostisk kode, før den foretager ændringer. Det kan hjælpe en kompleks undersøgelse, men vejledningen bemærker, at det kan tilføje udforskende trin til almindeligt frontendarbejde. Angiv, om opgaven kræver en undersøgelse, en enkel redigering eller en designsammenligning. Giv de oplysninger, der tydeliggør denne forskel, og angiv de tilladte handlinger for den tilsluttede applikations værktøjer.
Rumlig og multimodal ræsonnering fremhæves også: diagramfortolkning, omdannelse af visuelle arbejdstegninger og weblayout med flere elementer. Giv den relevante visning eller de relevante sider, identificér det, der skal fortolkes, og bed om dokumentationen bag konklusionen. Medtag konkrete retningslinjer for layout og stil ved en designopgave. Producenten bemærker et fokus på funktionel kode, og at evaluatorer nogle gange foretrak tidligere modellers visuelle stil, hvilket gør en eksplicit visuel opgavebeskrivelse nyttig. Kontrollér resultatet mod det faktiske diagram eller designkravene.
medium er det dokumenterede standardtænkeniveau. Googles modelspecifikke tænketabel angiver minimal, low, medium og high; migrationsvejledningen til 3.6 bruger medium eller high i sine indsatseksempler. Den specifikke side angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og strukturerede output med Computer Use som en previewfunktion. Definér funktionsinput og det krævede resultat klart. En funktion valgt af modellen kræver et faktisk applikationsresultat, før et senere svar kan bygge på dens udfald. Definér skemaet og den kildedokumentation, hver observation kræver, ved en struktureret analyse.
3.6-vejledningen ændrer forberedelsen i forhold til tidligere Gemini-anmodninger. Den udfaser samplingindstillingerne temperature, top-p og top-k, afviser en forudfyldt afsluttende tur med model-rolle og anbefaler systeminstruktioner eller strukturerede output til at styre svaret. Dens regler for funktionssvar kobler et svar til dets kald ud fra identitet og navn, og Gemini 3-grundlaget bevarer tankesignaturer ved brug over flere ture. En praktisk fortsættelse skal medtage den uændrede relevante historik og værktøjsresultatet frem for at efterligne starten af et tidligere svar.
Det native modelkort angiver op til 1M inputkontekst og 64K tekstoutput; den specifikke API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Regn instruktioner, historik og medier med som en del af inputtet, og bed om et output, der passer til opgaven. Producentens side angiver også caching, batch-, Flex- og Priority-behandling. Hold postidentifikatoren og resultatformatet eksplicit ved behandling af uafhængige poster. Outputtet er et tekstresultat, selv når dokumentationen omfatter fotografier, lyd eller video.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse i marts 2026 omfatter domæner, hvis viden stadig er begrænset til januar 2025, så vedlæg nyere materiale, eller brug en dokumenteret groundingarbejdsgang, når aktuelle fakta er vigtige. Gennemgå beregninger, kildehenvisninger, visuelle fortolkninger og foreslåede ændringer. Den særlige forberedelse til denne udgave er en målrettet diagnostisk opgavebeskrivelse, en klar værktøjsafgrænsning og eksplicitte designbegrænsninger efterfulgt af undersøgelse af det konkrete resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.6-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0.0000833333333333334 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemini-3.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.6-flash', '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-3.6-flash', '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-3.6-flash
Ailoot Ultra gemini-3.6-flash, google/gemini-3.6-flash
/chat/completions
Teknisk eksempel på engelsk
Diagnose swapped chart series\n\nA chart receives [{month:'Jan', sales:20, returns:2}, {month:'Feb', sales:30, returns:3}], but its Sales series uses rows.map(r => r.returns). Identify the data-binding error and propose one correction. Keep the existing month labels and Returns series unchanged. Include a small assertion showing the expected Sales data without claiming the chart was rendered.One corrected series expression and a concrete assertion against the supplied data.Only the Sales binding changes, and its values come from sales rather than returns.