Gemini 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
", "aboutText": "Gemini 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.\n\nAngiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.\n\nBrug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.\n\nDe dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.\n\nMigrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.\n\nIdentificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.\n\nDens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.\n\nMulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Diagnose an unsaved form value\n\nReview this form flow: the input displays draft.name; typing updates draft.name; Save sends original.name; after reload the old name reappears. Explain the mismatch and propose a minimal correction in framework-neutral pseudocode. Include a regression scenario that types a new name, saves, reloads, and checks the stored value. Do not claim any browser action occurred.A cause explanation, corrected Save pseudocode and an end-to-end regression scenario.The submitted value comes from the edited draft, and the reload check verifies persistence rather than just the visible input.gemini-3.8-flashGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.8-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 Model-specific | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltstop_sequences | Typestring[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Model-specific | 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 Model-specific | Standard— |
Feltthinking.type | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltoutput_config.effort | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
Feltcache_control | Typeobject | KravValgfrit | Værdier og grænser Model-specific | 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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrævet | Værdier og grænser gemini-3.8-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 Model-specific | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfrit | Værdier og grænser Model-specific | 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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Model-specific | 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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.8-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 $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
google/gemini-3.8-flashGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.8-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. Model-specific | 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 Model-specific | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Model-specific | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Model-specific | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Model-specific | 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 Model-specific | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Model-specific | 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-3.8-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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
google/gemini-3.8-flashGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.8-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 $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemini-3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
~google/gemini-flash-latestGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~google/gemini-flash-latest | 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: These roles are explicitly represented by Source compatibility types; the exact model role set remains model-specific. Model-specific | 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; use actual returned ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Round-trip actual returned reasoning where this model uses it | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Model-specific | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Model-specific | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Model-specific | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: function tool supplied | 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 Model-specific | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Model-specific | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options is rejected on this Ultra text route | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h is rejected in actual prompt-cache locations | Standard— |
Tekst · UTF8 text
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktmessage array with role/content shape |
Parameterfile_material | Kontraktactual UTF-8 document inserted as literal text; no file ID inferred |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodel-specific; user function tools differ from hosted tools |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send exact model ID with messages.
Context length is not an output cap.
A text file may supply literal text; image/audio/file-object inputs need exact binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser 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-flash-latest", "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-flash-latest',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-flash-latest',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 or SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.
Keep request/response IDs and headers. No generic text job retrieval URL is supplied.
| 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 | BetingelseInvalid required fields, material representation or parameter value | Næste trinCorrect the indicated fields before a new creation request. |
Ailoot gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
~google/gemini-flash-latestGemini 3.8 Flash er Googles alsidige multimodale model til længerevarende softwareudvikling, agenter og komplekse vidensopgaver. Den accepterer tekst, billeder, lyd, video og PDF, returnerer tekst og tilbyder ræsonnering på low, medium eller high med værktøjer og struktureret output. Dens dokumenterede input- og outputgrænser er 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 3.8 Flash er Googles model med tekstoutput til længerevarende softwareudvikling, agenter med flere trin og komplekse vidensarbejdsgange. Den bygger på Gemini 3.7 Flash med forbedringer i softwareudvikling og agentbaseret vidensarbejde. Den accepterer tekst, billeder, lyd, video og PDF, så en opgave kan kombinere et skriftligt mål med det faktiske materiale, der kræves for at løse den. Det nyttige resultat er en kodeændring, en forklaret analyse, et skriftligt svar eller en struktureret post.
Angiv kravet, relevante filer, observeret adfærd og de begrænsninger, der skal bevares, ved en programmeringsopgave. Et skærmbillede kan fastlægge den tilsigtede grænseflade, mens logfiler eller et reproducerende eksempel viser fejlen. Bed ved en fejlfindingsopgave modellen om at spore en forskel mellem en formulars synlige tilstand og dens gemte værdi, identificere den ansvarlige kodesti og foreslå en målrettet rettelse. Hold det tilsigtede slutresultat klart, så en længere række undersøgelser og værktøjskald stadig har en bestemt afslutningsbetingelse.
Brug mindre ræsonneringstrin, gentagne værktøjskald og kontrol af mellemresultater ved længerevarende arbejde. Tænkeniveauerne low, medium og high styrer mængden af ræsonnering; medium er den dokumenterede standard. low egner sig til et hurtigt udkast eller en afgrænset analyse, mens high er beregnet til svær matematik, programmering eller opgaver med flere trin. Gemini 3.8 Flash understøtter ikke tænkeniveauet minimal. En længerevarende fejlfindingsopgave og enkel feltudtrækning kræver derfor forskellige ræsonneringsvalg frem for den samme indstilling til hver anmodning.
De dokumenterede værktøjer omfatter funktionskald, kodekørsel, filsøgning, søgegrounding, Google Maps-grounding og URL-kontekst med Computer Use angivet som en previewfunktion. Strukturerede output definerer et maskinlæsbart resultat. Funktioner skal have et klart formål og en parameterdefinition: Modellen kan anmode om en funktion, mens den tilsluttede applikation udfører handlingen og returnerer dens resultat. Bevar funktionsidentiteter og det faktisk returnerede materiale på tværs af ture. Et nyttigt endeligt svar forklarer, hvilken dokumentation der understøtter den foreslåede rettelse eller udtrukne værdi.
Migrationsvejledningen til 3.8 bruger indstillinger for tænkeniveau frem for ældre konfiguration af ræsonneringsbudget og anbefaler at fjerne forældede samplingparametre og forudfyldte modelture. Den kræver også bevarelse af tankesignaturer i den relevante tilstandsløse arbejdsgang og kobling af funktionssvar til deres kald ud fra identitet og navn. Disse detaljer er vigtige, når en opgave med flere trin fortsættes: Den næste tur kræver den faktiske tidligere kontekst frem for en omskrevet fremstilling, der mister værktøjsresultatet eller signaturen. Hold spørgsmålet og det ønskede output eksplicit i den nye user-tur.
Identificér de relevante dokumentsider, diagrammet, lydintervallet eller videohændelsen ved multimodalt vidensarbejde, og angiv, hvordan materialet skal bidrage til svaret. En dokumentsammenligning kan bede om en tabel over forskelle med kildepassager; et diagramspørgsmål kan spørge efter synlige værdier og den konklusion, de understøtter. En videoanalyse kan bede om en beskrivelse af de hændelser, der begrunder en observation. Modellen returnerer tekst fra disse input. Genererede billeder, tale og Live-lydinteraktion tilhører særskilte modelprofiler.
Dens Gemini API-grænser er 1.048.576 inputtokens og 65.536 outputtokens svarende til den native models op til 1M kontekst og 64K tekstoutput. Instruktioner, samtalehistorik og leverede medier bruger inputkontekst, og ræsonnering eller et langt slutresultat skal passe inden for den dokumenterede outputramme. Google angiver også caching, batchbehandling samt Flex- og Priority-behandling for denne producentprofil. Bevar en stabil elementidentifikator og et eksplicit outputformat for uafhængige elementer, så hvert resultat forbliver knyttet til sin kilde.
Mulige begrænsninger omfatter hallucinationer, lejlighedsvis langsomhed eller timeout og større tokenforbrug ved højere indsats. Dens vidensgrænse er marts 2026 med nogle domæner stadig begrænset til januar 2025. Giv aktuel dokumentation, eller brug de dokumenterede groundingværktøjer, når opgaven afhænger af senere oplysninger. Kontrollér kildehenvisninger, beregninger og foreslået kode mod de faktiske input og kørselsresultater. Det nyttige slutresultat skal skelne mellem en underbygget observation og et uafklaret spørgsmål uden at antage, at et flydende svar fastslår det ønskede udfald.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~google/gemini-flash-latest | 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 text
messages[].content string
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktRead the actual UTF-8 document and put its text in the indicated input or message content string. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "~google/gemini-flash-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-flash-latest', '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-flash-latest', '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 or SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.
Keep request/response IDs and headers. No generic text job retrieval URL is supplied.
| 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 | BetingelseInvalid required fields, material representation or parameter value | Næste trinCorrect the indicated fields before a new creation request. |
Ailoot gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
Teknisk eksempel på engelsk
Diagnose an unsaved form value\n\nReview this form flow: the input displays draft.name; typing updates draft.name; Save sends original.name; after reload the old name reappears. Explain the mismatch and propose a minimal correction in framework-neutral pseudocode. Include a regression scenario that types a new name, saves, reloads, and checks the stored value. Do not claim any browser action occurred.A cause explanation, corrected Save pseudocode and an end-to-end regression scenario.The submitted value comes from the edited draft, and the reload check verifies persistence rather than just the visible input.