Gemini 3 Pro Preview er Googles navngivne forhåndsudgave af Gemini 3 Pro til multimodal ræsonnering og tekstgenerering. Den kan arbejde med tekst, billeder, lyd, video og PDF-dokumenter og returnere et skriftligt resultat. De tilsigtede anvendelser omfatter kompleks analyse, avanceret programmering, algoritmeudvikling og opgaver, der kombinerer et omfattende kildemateriale med et specifikt spørgsmål.
Gemini 3 Pro er en transformerbaseret model med en sparsom mixture-of-experts-arkitektur og indbygget understøttelse af multimodalt input. Arkitekturen sender hvert token gennem en udvalgt delmængde af eksperter. Det er en forskel i modeldesignet og ikke en brugerindstilling til at vælge en bestemt ekspert eller fastlåse en konfiguration til drift.
Tilrettelæg input efter opgavens informationsbehov. Et dokument, et skærmbillede og en lydoptagelse kan hver bidrage med forskellig dokumentation. Angiv, hvad hvert materiale indeholder, og hvordan det skal bidrage til svaret. Outputtet er fortsat tekst; forståelse af visuelt eller talt materiale gør ikke denne forhåndsudgave til en generator af billeder, tale eller video.
Brug billeder til spørgsmål om synligt indhold, lyd til talte eller akustiske oplysninger og video til en sekvens, hvor ændringer over tid har betydning. Vedlæg det faktiske materiale sammen med spørgsmålet i stedet for kun at beskrive det fra hukommelsen. Når du sammenligner flere materialer, skal du mærke dem tydeligt, så svaret kan henvise til den rigtige kilde.
For eksempel kan en brief til produktanalyse kombinere en skriftlig specifikation, et skærmbillede af grænsefladen og en optaget demonstration. Bed om en sammenligning, der skelner mellem det, specifikationen lover, og det, der kan ses eller høres i det leverede materiale. Definer det ønskede resultat som fund, understøttende observationer og uafklarede spørgsmål.
Ved en PDF-opgave skal du vedlægge dokumentet og angive de afsnit eller påstande, der skal undersøges. Et nyttigt spørgsmål beder om en sammenligning, et udtræk eller en forklaring knyttet til kilden i stedet for blot at bede om et generelt sammendrag af en stor fil.
Den præcise specifikation for forhåndsudgaven angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Producenten angiver januar 2025 som vidensgrænse; tilføj nyere dokumentation, når spørgsmålet afhænger af senere begivenheder eller oplysninger. Der er tale om forskellige kapaciteter. Et stort kildemateriale kan læses med henblik på et fokuseret svar, uden at modellen behøver at gengive alle dele af inputtet.
Organiser langt materiale, så strukturen er tydelig: dokumenttitler, afsnitsgrænser, kodestier og det spørgsmål, outputtet skal besvare. Hold relevante undtagelser og definitioner tæt på det indhold, de kvalificerer. Hvis en opgave kræver en lang rapport, skal du angive rapportens afsnit og den dokumentation, der forventes i hvert afsnit.
Et stort kontekstvindue garanterer ikke, at alle detaljer får lige meget opmærksomhed, eller at alle konklusioner er korrekte. Google påpeger også mulig forringelse i samtaler med flere runder; gennemgå vigtige kildefakta og genbrugt kontekst, efterhånden som udvekslingen udvikler sig. Kontroller svaret mod de konkrete passager eller materialer, der understøtter dets vigtige påstande.
Producentens tilsigtede anvendelser omfatter avanceret programmering og algoritmisk arbejde. Lever den relevante kildekode, forudsætninger om miljøet, den observerede fejl og den forventede adfærd. Ved en algoritmeopgave skal du definere input, ønsket output og betingelser som rækkefølge, dubletter eller ugyldige data.
En nyttig fejlfindingsbrief kobler det fejlende input og fejlmeddelelsen med den mindste relevante del af kildekoden. Bed om en diagnose og en afgrænset ændring, og undersøg derefter, om den foreslåede ændring løser den rapporterede adfærd. Genereret kode og en påstand om, at den burde virke, er noget andet end en implementering, der er kørt og verificeret.
Ved et større spørgsmål om et kodearkiv kan du bruge inputkapaciteten til at levere de nødvendige filer med tydelige stibetegnelser. Angiv, om det ønskede resultat er en forklaring, et foreslået rettelsessæt eller en analyse af alternativer, så resultatet har et konkret formål.
Producentens specifikation for forhåndsudgaven understøtter funktionskald, kodekørsel, filsøgning, kildeforankring via søgning og URL-kontekst. Disse funktioner har forskellige roller. Et funktionskald beskriver en handling, som en applikation skal udføre; et værktøjsresultat leverer derefter dokumentation til modellens næste trin. Kodekørsel er en værktøjsarbejdsgang og ikke en garanti for, at vilkårlig genereret applikationskode allerede er testet.
Kildeforankring via søgning og URL-kontekst giver kildeorienterede arbejdsgange, mens filsøgning arbejder med en forberedt filsamling. Bevar værktøjsresultater og kildehenvisninger sammen med svaret, så en konklusion kan undersøges. Ifølge specifikationen understøtter profilen ikke computerbetjening eller kildeforankring via Maps.
Understøttelse af struktureret output kan udtrykke et resultat i et defineret skema. Angiv felterne og deres betydning før generering, og gennemgå både indholdet og formatet. Et gyldigt struktureret objekt kræver stadig kontrol af fakta og opgavens særlige forhold.
Denne forhåndsudgave understøtter tænkning. Brug en klar opgave, relevant dokumentation og udtrykkelige begrænsninger til arbejde, der kræver flere ræsonnementstrin. Resultatet bør forklare antagelserne og den nyttige konklusion; skjult ræsonnering eller tilstedeværelsen af en tænketilstand er ikke i sig selv verificering.
Producenten angiver også understøttelse af caching og batchbehandling. Det er behandlingsfunktioner, som er adskilt fra modellens indholdsmæssige evner, og deres tilstedeværelse fastslår ikke, at en bestemt anmodning blev cachet, eller at et batchresultat er korrekt.
Hold Gemini 3 Pro Preview adskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-profilerne. Denne forhåndsudgaves output er tekst, og specifikationen omfatter ikke billedgenerering, lydgenerering eller Live-drift. Vurder det returnerede svar, koden eller det strukturerede resultat op imod det leverede kildemateriale og den tilsigtede opgave.
", "aboutText": "Gemini 3 Pro Preview er Googles navngivne forhåndsudgave af Gemini 3 Pro til multimodal ræsonnering og tekstgenerering. Den kan arbejde med tekst, billeder, lyd, video og PDF-dokumenter og returnere et skriftligt resultat. De tilsigtede anvendelser omfatter kompleks analyse, avanceret programmering, algoritmeudvikling og opgaver, der kombinerer et omfattende kildemateriale med et specifikt spørgsmål.\n\n### Model og inputstruktur\n\nGemini 3 Pro er en transformerbaseret model med en sparsom mixture-of-experts-arkitektur og indbygget understøttelse af multimodalt input. Arkitekturen sender hvert token gennem en udvalgt delmængde af eksperter. Det er en forskel i modeldesignet og ikke en brugerindstilling til at vælge en bestemt ekspert eller fastlåse en konfiguration til drift.\n\nTilrettelæg input efter opgavens informationsbehov. Et dokument, et skærmbillede og en lydoptagelse kan hver bidrage med forskellig dokumentation. Angiv, hvad hvert materiale indeholder, og hvordan det skal bidrage til svaret. Outputtet er fortsat tekst; forståelse af visuelt eller talt materiale gør ikke denne forhåndsudgave til en generator af billeder, tale eller video.\n\n### Multimodal analyse\n\nBrug billeder til spørgsmål om synligt indhold, lyd til talte eller akustiske oplysninger og video til en sekvens, hvor ændringer over tid har betydning. Vedlæg det faktiske materiale sammen med spørgsmålet i stedet for kun at beskrive det fra hukommelsen. Når du sammenligner flere materialer, skal du mærke dem tydeligt, så svaret kan henvise til den rigtige kilde.\n\nFor eksempel kan en brief til produktanalyse kombinere en skriftlig specifikation, et skærmbillede af grænsefladen og en optaget demonstration. Bed om en sammenligning, der skelner mellem det, specifikationen lover, og det, der kan ses eller høres i det leverede materiale. Definer det ønskede resultat som fund, understøttende observationer og uafklarede spørgsmål.\n\nVed en PDF-opgave skal du vedlægge dokumentet og angive de afsnit eller påstande, der skal undersøges. Et nyttigt spørgsmål beder om en sammenligning, et udtræk eller en forklaring knyttet til kilden i stedet for blot at bede om et generelt sammendrag af en stor fil.\n\n### Lang kontekst og outputkapacitet\n\nDen præcise specifikation for forhåndsudgaven angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Producenten angiver januar 2025 som vidensgrænse; tilføj nyere dokumentation, når spørgsmålet afhænger af senere begivenheder eller oplysninger. Der er tale om forskellige kapaciteter. Et stort kildemateriale kan læses med henblik på et fokuseret svar, uden at modellen behøver at gengive alle dele af inputtet.\n\nOrganiser langt materiale, så strukturen er tydelig: dokumenttitler, afsnitsgrænser, kodestier og det spørgsmål, outputtet skal besvare. Hold relevante undtagelser og definitioner tæt på det indhold, de kvalificerer. Hvis en opgave kræver en lang rapport, skal du angive rapportens afsnit og den dokumentation, der forventes i hvert afsnit.\n\nEt stort kontekstvindue garanterer ikke, at alle detaljer får lige meget opmærksomhed, eller at alle konklusioner er korrekte. Google påpeger også mulig forringelse i samtaler med flere runder; gennemgå vigtige kildefakta og genbrugt kontekst, efterhånden som udvekslingen udvikler sig. Kontroller svaret mod de konkrete passager eller materialer, der understøtter dets vigtige påstande.\n\n### Programmering og algoritmeudvikling\n\nProducentens tilsigtede anvendelser omfatter avanceret programmering og algoritmisk arbejde. Lever den relevante kildekode, forudsætninger om miljøet, den observerede fejl og den forventede adfærd. Ved en algoritmeopgave skal du definere input, ønsket output og betingelser som rækkefølge, dubletter eller ugyldige data.\n\nEn nyttig fejlfindingsbrief kobler det fejlende input og fejlmeddelelsen med den mindste relevante del af kildekoden. Bed om en diagnose og en afgrænset ændring, og undersøg derefter, om den foreslåede ændring løser den rapporterede adfærd. Genereret kode og en påstand om, at den burde virke, er noget andet end en implementering, der er kørt og verificeret.\n\nVed et større spørgsmål om et kodearkiv kan du bruge inputkapaciteten til at levere de nødvendige filer med tydelige stibetegnelser. Angiv, om det ønskede resultat er en forklaring, et foreslået rettelsessæt eller en analyse af alternativer, så resultatet har et konkret formål.\n\n### Værktøjer, kilder og strukturerede resultater\n\nProducentens specifikation for forhåndsudgaven understøtter funktionskald, kodekørsel, filsøgning, kildeforankring via søgning og URL-kontekst. Disse funktioner har forskellige roller. Et funktionskald beskriver en handling, som en applikation skal udføre; et værktøjsresultat leverer derefter dokumentation til modellens næste trin. Kodekørsel er en værktøjsarbejdsgang og ikke en garanti for, at vilkårlig genereret applikationskode allerede er testet.\n\nKildeforankring via søgning og URL-kontekst giver kildeorienterede arbejdsgange, mens filsøgning arbejder med en forberedt filsamling. Bevar værktøjsresultater og kildehenvisninger sammen med svaret, så en konklusion kan undersøges. Ifølge specifikationen understøtter profilen ikke computerbetjening eller kildeforankring via Maps.\n\nUnderstøttelse af struktureret output kan udtrykke et resultat i et defineret skema. Angiv felterne og deres betydning før generering, og gennemgå både indholdet og formatet. Et gyldigt struktureret objekt kræver stadig kontrol af fakta og opgavens særlige forhold.\n\n### Ræsonnering, genbrug og grænser mellem udgaver\n\nDenne forhåndsudgave understøtter tænkning. Brug en klar opgave, relevant dokumentation og udtrykkelige begrænsninger til arbejde, der kræver flere ræsonnementstrin. Resultatet bør forklare antagelserne og den nyttige konklusion; skjult ræsonnering eller tilstedeværelsen af en tænketilstand er ikke i sig selv verificering.\n\nProducenten angiver også understøttelse af caching og batchbehandling. Det er behandlingsfunktioner, som er adskilt fra modellens indholdsmæssige evner, og deres tilstedeværelse fastslår ikke, at en bestemt anmodning blev cachet, eller at et batchresultat er korrekt.\n\nHold Gemini 3 Pro Preview adskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-profilerne. Denne forhåndsudgaves output er tekst, og specifikationen omfatter ikke billedgenerering, lydgenerering eller Live-drift. Vurder det returnerede svar, koden eller det strukturerede resultat op imod det leverede kildemateriale og den tilsigtede opgave.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bdbb1f40855d9f410031ab0d9f2129a23f8798e72eecfa39f45d1af8aef9d7de", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "gemini-3-pro-previewGemini 3 Pro Preview er Googles multimodale ræsonneringsmodel til tekst, billeder, lyd, video og PDF-filer med tekst som output. Dens store inputkapacitet, programmeringsevner og understøttede værktøjsarbejdsgange egner sig til detaljeret analyse, sammenligning af dokumenter og opgaveudførelse baseret på dokumentation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3 Pro Preview er Googles navngivne forhåndsudgave af Gemini 3 Pro til multimodal ræsonnering og tekstgenerering. Den kan arbejde med tekst, billeder, lyd, video og PDF-dokumenter og returnere et skriftligt resultat. De tilsigtede anvendelser omfatter kompleks analyse, avanceret programmering, algoritmeudvikling og opgaver, der kombinerer et omfattende kildemateriale med et specifikt spørgsmål.
Gemini 3 Pro er en transformerbaseret model med en sparsom mixture-of-experts-arkitektur og indbygget understøttelse af multimodalt input. Arkitekturen sender hvert token gennem en udvalgt delmængde af eksperter. Det er en forskel i modeldesignet og ikke en brugerindstilling til at vælge en bestemt ekspert eller fastlåse en konfiguration til drift.
Tilrettelæg input efter opgavens informationsbehov. Et dokument, et skærmbillede og en lydoptagelse kan hver bidrage med forskellig dokumentation. Angiv, hvad hvert materiale indeholder, og hvordan det skal bidrage til svaret. Outputtet er fortsat tekst; forståelse af visuelt eller talt materiale gør ikke denne forhåndsudgave til en generator af billeder, tale eller video.
Brug billeder til spørgsmål om synligt indhold, lyd til talte eller akustiske oplysninger og video til en sekvens, hvor ændringer over tid har betydning. Vedlæg det faktiske materiale sammen med spørgsmålet i stedet for kun at beskrive det fra hukommelsen. Når du sammenligner flere materialer, skal du mærke dem tydeligt, så svaret kan henvise til den rigtige kilde.
For eksempel kan en brief til produktanalyse kombinere en skriftlig specifikation, et skærmbillede af grænsefladen og en optaget demonstration. Bed om en sammenligning, der skelner mellem det, specifikationen lover, og det, der kan ses eller høres i det leverede materiale. Definer det ønskede resultat som fund, understøttende observationer og uafklarede spørgsmål.
Ved en PDF-opgave skal du vedlægge dokumentet og angive de afsnit eller påstande, der skal undersøges. Et nyttigt spørgsmål beder om en sammenligning, et udtræk eller en forklaring knyttet til kilden i stedet for blot at bede om et generelt sammendrag af en stor fil.
Den præcise specifikation for forhåndsudgaven angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Producenten angiver januar 2025 som vidensgrænse; tilføj nyere dokumentation, når spørgsmålet afhænger af senere begivenheder eller oplysninger. Der er tale om forskellige kapaciteter. Et stort kildemateriale kan læses med henblik på et fokuseret svar, uden at modellen behøver at gengive alle dele af inputtet.
Organiser langt materiale, så strukturen er tydelig: dokumenttitler, afsnitsgrænser, kodestier og det spørgsmål, outputtet skal besvare. Hold relevante undtagelser og definitioner tæt på det indhold, de kvalificerer. Hvis en opgave kræver en lang rapport, skal du angive rapportens afsnit og den dokumentation, der forventes i hvert afsnit.
Et stort kontekstvindue garanterer ikke, at alle detaljer får lige meget opmærksomhed, eller at alle konklusioner er korrekte. Google påpeger også mulig forringelse i samtaler med flere runder; gennemgå vigtige kildefakta og genbrugt kontekst, efterhånden som udvekslingen udvikler sig. Kontroller svaret mod de konkrete passager eller materialer, der understøtter dets vigtige påstande.
Producentens tilsigtede anvendelser omfatter avanceret programmering og algoritmisk arbejde. Lever den relevante kildekode, forudsætninger om miljøet, den observerede fejl og den forventede adfærd. Ved en algoritmeopgave skal du definere input, ønsket output og betingelser som rækkefølge, dubletter eller ugyldige data.
En nyttig fejlfindingsbrief kobler det fejlende input og fejlmeddelelsen med den mindste relevante del af kildekoden. Bed om en diagnose og en afgrænset ændring, og undersøg derefter, om den foreslåede ændring løser den rapporterede adfærd. Genereret kode og en påstand om, at den burde virke, er noget andet end en implementering, der er kørt og verificeret.
Ved et større spørgsmål om et kodearkiv kan du bruge inputkapaciteten til at levere de nødvendige filer med tydelige stibetegnelser. Angiv, om det ønskede resultat er en forklaring, et foreslået rettelsessæt eller en analyse af alternativer, så resultatet har et konkret formål.
Producentens specifikation for forhåndsudgaven understøtter funktionskald, kodekørsel, filsøgning, kildeforankring via søgning og URL-kontekst. Disse funktioner har forskellige roller. Et funktionskald beskriver en handling, som en applikation skal udføre; et værktøjsresultat leverer derefter dokumentation til modellens næste trin. Kodekørsel er en værktøjsarbejdsgang og ikke en garanti for, at vilkårlig genereret applikationskode allerede er testet.
Kildeforankring via søgning og URL-kontekst giver kildeorienterede arbejdsgange, mens filsøgning arbejder med en forberedt filsamling. Bevar værktøjsresultater og kildehenvisninger sammen med svaret, så en konklusion kan undersøges. Ifølge specifikationen understøtter profilen ikke computerbetjening eller kildeforankring via Maps.
Understøttelse af struktureret output kan udtrykke et resultat i et defineret skema. Angiv felterne og deres betydning før generering, og gennemgå både indholdet og formatet. Et gyldigt struktureret objekt kræver stadig kontrol af fakta og opgavens særlige forhold.
Denne forhåndsudgave understøtter tænkning. Brug en klar opgave, relevant dokumentation og udtrykkelige begrænsninger til arbejde, der kræver flere ræsonnementstrin. Resultatet bør forklare antagelserne og den nyttige konklusion; skjult ræsonnering eller tilstedeværelsen af en tænketilstand er ikke i sig selv verificering.
Producenten angiver også understøttelse af caching og batchbehandling. Det er behandlingsfunktioner, som er adskilt fra modellens indholdsmæssige evner, og deres tilstedeværelse fastslår ikke, at en bestemt anmodning blev cachet, eller at et batchresultat er korrekt.
Hold Gemini 3 Pro Preview adskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-profilerne. Denne forhåndsudgaves output er tekst, og specifikationen omfatter ikke billedgenerering, lydgenerering eller Live-drift. Vurder det returnerede svar, koden eller det strukturerede resultat op imod det leverede kildemateriale og den tilsigtede opgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3-pro-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3-pro-preview","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-pro-preview", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gemini-3-pro-preview
/chat/completions
gemini-3-pro-previewGemini 3 Pro Preview er Googles multimodale ræsonneringsmodel til tekst, billeder, lyd, video og PDF-filer med tekst som output. Dens store inputkapacitet, programmeringsevner og understøttede værktøjsarbejdsgange egner sig til detaljeret analyse, sammenligning af dokumenter og opgaveudførelse baseret på dokumentation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3 Pro Preview er Googles navngivne forhåndsudgave af Gemini 3 Pro til multimodal ræsonnering og tekstgenerering. Den kan arbejde med tekst, billeder, lyd, video og PDF-dokumenter og returnere et skriftligt resultat. De tilsigtede anvendelser omfatter kompleks analyse, avanceret programmering, algoritmeudvikling og opgaver, der kombinerer et omfattende kildemateriale med et specifikt spørgsmål.
Gemini 3 Pro er en transformerbaseret model med en sparsom mixture-of-experts-arkitektur og indbygget understøttelse af multimodalt input. Arkitekturen sender hvert token gennem en udvalgt delmængde af eksperter. Det er en forskel i modeldesignet og ikke en brugerindstilling til at vælge en bestemt ekspert eller fastlåse en konfiguration til drift.
Tilrettelæg input efter opgavens informationsbehov. Et dokument, et skærmbillede og en lydoptagelse kan hver bidrage med forskellig dokumentation. Angiv, hvad hvert materiale indeholder, og hvordan det skal bidrage til svaret. Outputtet er fortsat tekst; forståelse af visuelt eller talt materiale gør ikke denne forhåndsudgave til en generator af billeder, tale eller video.
Brug billeder til spørgsmål om synligt indhold, lyd til talte eller akustiske oplysninger og video til en sekvens, hvor ændringer over tid har betydning. Vedlæg det faktiske materiale sammen med spørgsmålet i stedet for kun at beskrive det fra hukommelsen. Når du sammenligner flere materialer, skal du mærke dem tydeligt, så svaret kan henvise til den rigtige kilde.
For eksempel kan en brief til produktanalyse kombinere en skriftlig specifikation, et skærmbillede af grænsefladen og en optaget demonstration. Bed om en sammenligning, der skelner mellem det, specifikationen lover, og det, der kan ses eller høres i det leverede materiale. Definer det ønskede resultat som fund, understøttende observationer og uafklarede spørgsmål.
Ved en PDF-opgave skal du vedlægge dokumentet og angive de afsnit eller påstande, der skal undersøges. Et nyttigt spørgsmål beder om en sammenligning, et udtræk eller en forklaring knyttet til kilden i stedet for blot at bede om et generelt sammendrag af en stor fil.
Den præcise specifikation for forhåndsudgaven angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Producenten angiver januar 2025 som vidensgrænse; tilføj nyere dokumentation, når spørgsmålet afhænger af senere begivenheder eller oplysninger. Der er tale om forskellige kapaciteter. Et stort kildemateriale kan læses med henblik på et fokuseret svar, uden at modellen behøver at gengive alle dele af inputtet.
Organiser langt materiale, så strukturen er tydelig: dokumenttitler, afsnitsgrænser, kodestier og det spørgsmål, outputtet skal besvare. Hold relevante undtagelser og definitioner tæt på det indhold, de kvalificerer. Hvis en opgave kræver en lang rapport, skal du angive rapportens afsnit og den dokumentation, der forventes i hvert afsnit.
Et stort kontekstvindue garanterer ikke, at alle detaljer får lige meget opmærksomhed, eller at alle konklusioner er korrekte. Google påpeger også mulig forringelse i samtaler med flere runder; gennemgå vigtige kildefakta og genbrugt kontekst, efterhånden som udvekslingen udvikler sig. Kontroller svaret mod de konkrete passager eller materialer, der understøtter dets vigtige påstande.
Producentens tilsigtede anvendelser omfatter avanceret programmering og algoritmisk arbejde. Lever den relevante kildekode, forudsætninger om miljøet, den observerede fejl og den forventede adfærd. Ved en algoritmeopgave skal du definere input, ønsket output og betingelser som rækkefølge, dubletter eller ugyldige data.
En nyttig fejlfindingsbrief kobler det fejlende input og fejlmeddelelsen med den mindste relevante del af kildekoden. Bed om en diagnose og en afgrænset ændring, og undersøg derefter, om den foreslåede ændring løser den rapporterede adfærd. Genereret kode og en påstand om, at den burde virke, er noget andet end en implementering, der er kørt og verificeret.
Ved et større spørgsmål om et kodearkiv kan du bruge inputkapaciteten til at levere de nødvendige filer med tydelige stibetegnelser. Angiv, om det ønskede resultat er en forklaring, et foreslået rettelsessæt eller en analyse af alternativer, så resultatet har et konkret formål.
Producentens specifikation for forhåndsudgaven understøtter funktionskald, kodekørsel, filsøgning, kildeforankring via søgning og URL-kontekst. Disse funktioner har forskellige roller. Et funktionskald beskriver en handling, som en applikation skal udføre; et værktøjsresultat leverer derefter dokumentation til modellens næste trin. Kodekørsel er en værktøjsarbejdsgang og ikke en garanti for, at vilkårlig genereret applikationskode allerede er testet.
Kildeforankring via søgning og URL-kontekst giver kildeorienterede arbejdsgange, mens filsøgning arbejder med en forberedt filsamling. Bevar værktøjsresultater og kildehenvisninger sammen med svaret, så en konklusion kan undersøges. Ifølge specifikationen understøtter profilen ikke computerbetjening eller kildeforankring via Maps.
Understøttelse af struktureret output kan udtrykke et resultat i et defineret skema. Angiv felterne og deres betydning før generering, og gennemgå både indholdet og formatet. Et gyldigt struktureret objekt kræver stadig kontrol af fakta og opgavens særlige forhold.
Denne forhåndsudgave understøtter tænkning. Brug en klar opgave, relevant dokumentation og udtrykkelige begrænsninger til arbejde, der kræver flere ræsonnementstrin. Resultatet bør forklare antagelserne og den nyttige konklusion; skjult ræsonnering eller tilstedeværelsen af en tænketilstand er ikke i sig selv verificering.
Producenten angiver også understøttelse af caching og batchbehandling. Det er behandlingsfunktioner, som er adskilt fra modellens indholdsmæssige evner, og deres tilstedeværelse fastslår ikke, at en bestemt anmodning blev cachet, eller at et batchresultat er korrekt.
Hold Gemini 3 Pro Preview adskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-profilerne. Denne forhåndsudgaves output er tekst, og specifikationen omfatter ikke billedgenerering, lydgenerering eller Live-drift. Vurder det returnerede svar, koden eller det strukturerede resultat op imod det leverede kildemateriale og den tilsigtede opgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3-pro-preview | 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 $0.004 / 1K tokens Output · Outputtokens $0.024 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-preview', '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-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gemini-3-pro-preview
/chat/completions