Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
", "aboutText": "Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.\n\nUdviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.\n\nAngiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.\n\nDe dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.\n\nDen specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.\n\nDenne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.\n\nGoogles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.\n\nMulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Match a written panel specification\n\nCompare this panel specification with its CSS. Specification: title above the form; labels remain visible; error text appears below its field. CSS: .panel{display:flex;flex-direction:column-reverse} .field label{display:none}. Explain the mismatches and propose the smallest CSS and markup corrections. Give inspection checks for normal and error states using the supplied written requirements.A mismatch list, focused CSS/markup changes and normal/error-state inspection checks.Check that each proposed change maps to a stated requirement without redesigning other elements.gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal ræsonnering med programmering og agentarbejde i flere trin. Googles 3.7-profil fremhæver trofasthed mod designskitser og agentbaseret videoforståelse med ræsonnering på low, medium og high. Den accepterer tekst og medier, returnerer tekst og har dokumenterede input- og outputgrænser på 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.7-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 | Beløb |
|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.7-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-3.7-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-3.7-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-3.7-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-3.7-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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal ræsonnering med programmering og agentarbejde i flere trin. Googles 3.7-profil fremhæver trofasthed mod designskitser og agentbaseret videoforståelse med ræsonnering på low, medium og high. Den accepterer tekst og medier, returnerer tekst og har dokumenterede input- og outputgrænser på 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-3.7-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 | Beløb |
|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${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-3.7-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-3.7-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-3.7-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-3.7-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-3.7-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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal ræsonnering med programmering og agentarbejde i flere trin. Googles 3.7-profil fremhæver trofasthed mod designskitser og agentbaseret videoforståelse med ræsonnering på low, medium og high. Den accepterer tekst og medier, returnerer tekst og har dokumenterede input- og outputgrænser på 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.7-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.7-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-3.7-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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal ræsonnering med programmering og agentarbejde i flere trin. Googles 3.7-profil fremhæver trofasthed mod designskitser og agentbaseret videoforståelse med ræsonnering på low, medium og high. Den accepterer tekst og medier, returnerer tekst og har dokumenterede input- og outputgrænser på 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.7-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-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-3.7-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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
google/gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal ræsonnering med programmering og agentarbejde i flere trin. Googles 3.7-profil fremhæver trofasthed mod designskitser og agentbaseret videoforståelse med ræsonnering på low, medium og high. Den accepterer tekst og medier, returnerer tekst og har dokumenterede input- og outputgrænser på 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.7-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.7-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-3.7-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-3.7-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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
google/gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal ræsonnering med programmering og agentarbejde i flere trin. Googles 3.7-profil fremhæver trofasthed mod designskitser og agentbaseret videoforståelse med ræsonnering på low, medium og high. Den accepterer tekst og medier, returnerer tekst og har dokumenterede input- og outputgrænser på 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.7 Flash er Googles navngivne multimodale ræsonneringsprofil til programmering, agentarbejdsgange og udførelse i flere trin. Den bygger på Gemini 3.6 Flash med algoritmiske ændringer i ræsonnering og understøttelse af agentbaseret videoforståelse. Tekst, billeder, lyd, video og PDF kan udgøre kildematerialet til et tekstresultat. Nyttige resultater omfatter en målrettet koderevision, en sammenligning mellem en designskitse og en implementering eller en kildebaseret analyse af hændelser i en optagelse.
Udviklervejledningen til 3.7 fremhæver stærkere designoverensstemmelse i desktop- og webarbejde. Giv den tilsigtede skitse, den relevante kilde og den observerbare afvigelse til denne opgave. Bed om en sammenligning mod konkrete elementer som afstande, komponenttilstande, teksthierarki eller interaktionsadfærd. Bed ved en designsammenligning om en liste over afvigelser mellem en skitse af et indstillingspanel og dets eksisterende implementering med hver foreslået rettelse knyttet til skærmbilledet eller kilden. Resultatet skal identificere det, der skal ændres, uden ubemærket at udvide designet ud over de leverede krav.
Angiv målet, den eksisterende adfærd, relevante filer og begrænsninger til en programmeringsarbejdsgang. Google positionerer 3.7 til at løse softwareproblemer og reducere mislykkede agentløkker, men en nyttig gennemgang kontrollerer stadig den faktiske ændring og valideringsresultatet. Bevar rækken af værktøjsobservationer i samtalen, så et senere trin ikke begynder med en opdigtet beskrivelse af kodebasen. Slutresultatet kan skelne mellem en foreslået ændring og en ændring, der er bekræftet gennem den tilsluttede applikations værktøjer.
De dokumenterede tænkeniveauer er low, medium og high med medium som standard. low understøtter hurtigere afgrænsede svar, mens high er beregnet til vanskelig ræsonnering og længerevarende værktøjsarbejde. Gemini 3.7 Flash understøtter ikke minimal tænkning. En kort analyse af én grænsefladeafvigelse og en dybere undersøgelse på tværs af flere filer kræver derfor forskellige indsatsvalg. Definér slutresultatet og de betingelser, det skal opfylde, før du anmoder om en længere række ræsonneringstrin og handlinger.
Den specifikke modelside angiver funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding og URL-kontekst. Computer Use er markeret som preview, og strukturerede output kan definere en resultatpost. En anmodning om et funktionskald er en foreslået handling, som den tilsluttede applikation skal udføre og returnere resultatet af. Giv værktøjet et klart formål ved en agentopgave, og bevar det faktiske resultat, før du beder modellen om at fortsætte. Definér felterne, acceptable værdier og repræsentationen af manglende oplysninger ved dokumentudtræk.
Denne udgave understøtter agentbaseret videoforståelse. Giv den relevante optagelse, og angiv den hændelse eller relation, der skal undersøges. En praktisk opgavebeskrivelse kan spørge, hvilken synlig handling der forklarer en tilstandsændring, eller bede om en ordnet beskrivelse af hændelser med dokumentation fra klippet. Billeder og PDF-sider kan tilsvarende understøtte en visuel sammenligning eller dokumentsammenligning. Outputtet forbliver tekst: fortolkning, udtrukne data, kode eller en skriftlig forklaring. Genereret video, billedkunst eller tale tilhører særskilte modelprofiler.
Googles specifikke API-tabel for 3.7 angiver 1.048.576 inputtokens og 65.536 outputtokens, mens det native modelkort beskriver op til 1M kontekst og 64K tekstoutput. Medtag instruktioner, tidligere ture og leverede medier i inputforberedelsen. Batchbehandling og caching er angivet for producentprofilen sammen med Flex- og Priority-muligheder. Bevar kildeidentifikatorer og et ensartet resultatformat for en samling uafhængige anmodninger, så hvert svar kan kontrolleres mod sit eget input.
Mulige begrænsninger omfatter hallucinationer og lejlighedsvis langsomhed eller timeout. Dens vidensgrænse er marts 2026 med nogle domæner begrænset til januar 2025. Giv aktuelt kildemateriale, når en konklusion afhænger af nyere fakta. Udgavens nyttige særkende er dens dokumenterede fokus på softwareproblemer, designoverholdelse og videoræsonnering; undersøg disse resultater mod den faktiske skitse, kode eller de faktiske medier frem for at erstatte en navngiven historisk profil med nyere funktioner.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.7-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemini-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-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-3.7-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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
Teknisk eksempel på engelsk
Match a written panel specification\n\nCompare this panel specification with its CSS. Specification: title above the form; labels remain visible; error text appears below its field. CSS: .panel{display:flex;flex-direction:column-reverse} .field label{display:none}. Explain the mismatches and propose the smallest CSS and markup corrections. Give inspection checks for normal and error states using the supplied written requirements.A mismatch list, focused CSS/markup changes and normal/error-state inspection checks.Check that each proposed change maps to a stated requirement without redesigning other elements.