Gemini 3.1 Flash-Lite Preview er previewudgaven af Googles lette Gemini 3.1 Flash-Lite-linje. Dens design fokuserer på hyppige opgaver med klare instruktioner: oversættelse, transskription, klassifikation, dokumentsammenfatning og enkelt dataudtræk. Den accepterer tekst, billeder, video, lyd og PDF og returnerer tekst. En nyttig opgave angiver én handling og én slutform, f.eks. en oversat besked, et transskript eller en post med de felter, en applikation kræver.
Den specifikke previewdokumentation angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Det er særskilte producentgrænser. Kildematerialet, instruktionerne og samtalehistorikken bidrager til inputtet, mens det krævede resultat skal passe inden for outputbudgettet. Bevar identifikatorerne for en stor samling beskeder eller sider, og bed om en tilsvarende outputidentifikator for hvert behandlet element. Et stort vindue erstatter ikke en klar udtræksregel eller gør en tvetydig feltdefinition præcis.
Modelkortet omfatter tænkning, strukturerede output og funktionskald. Det angiver også kodekørsel, filsøgning, søgegrounding, Google Maps-grounding, URL-kontekst og caching som producentegenskaber. Det er en model med tekstoutput; lyd- eller billedinput indebærer ikke genereret tale eller billedkunst. En kaldende applikation vælger stadig de tilgængelige værktøjer, udfører accepterede anmodninger om funktionskald og returnerer deres resultater. Hold en foreslået handling adskilt fra en handling, der er bekræftet af applikationen.
Giv kildebeskeden, målsproget, målgruppen og den terminologi, der skal bevares, ved oversættelse. Udviklervejledningen viser begrænsning af svaret til oversat tekst uden ekstra kommentarer. En supportbeskedarbejdsgang kan bevare produktnavne og ordrehenvisninger uændret og samtidig producere et naturligt svar på læserens sprog. Definér, om tvetydighed i kilden skal bevares, eller om et særskilt afklaringsspørgsmål skal returneres, frem for at tilføje en opdigtet detalje i oversættelsen.
Giv lyden sammen med det ønskede resultat ved transskription: ordret tekst, et renskrevet transskript eller en sammenfatning. Det er forskellige opgaver. Identificér det relevante interval, hvis en lang optagelse kun indeholder en kort udveksling, resultatet kræver. Stil et bestemt spørgsmål til en PDF, eller definér de felter, der skal udtrækkes, med bevarelse af side- eller afsnitshenvisninger, hvor svaret skal kontrolleres. Angiv objektet, betegnelsen eller området, der er relevant for anmodningen, ved en visuel kilde.
Definér kategorierne, de krævede felter og håndteringen af manglende værdier ved klassifikation og entitetsudtræk. Producentens vejledning demonstrerer skemabegrænset JSON til udtræk af anmeldelsesoplysninger. Et originalt eksempel er at klassificere en supportsag og returnere det nævnte produkt, problemkategorien og den kildesætning, der understøtter valget. Giv et lille sæt repræsentative eksempler, herunder et tilfælde, som skal forblive ukendt. Validér den returnerede post, og skeln mellem en syntaktisk gyldig værdi og en værdi, der faktisk understøttes af kilden.
Lanceringsmaterialet beskriver justerbare tænkeniveauer, så opgaven kan bruge mere analyse, når dens betingelser kræver det. En kort sprogomdannelse og en klassifikation med flere undtagelser kan bruge forskellige ræsonneringsindstillinger. Udviklervejledningen præsenterer også modelrouting som en klassifikationsopgave: Modellen identificerer en anmodnings kompleksitet og returnerer en valgt kategori. Den omgivende applikation, ikke selve klassifikatoren, afgør, hvad der skal køres som det næste. Angiv de faktiske routingkriterier og de tilladte valg, så outputtet har en operationel betydning.
Bevar denne præcise Preview-identifikator, inputversionen og det ønskede skema eller outputformat til gentagelig behandling. Kontrollér et pilotresultat på samme type faktisk materiale, før et større sæt behandles. Sammenlign udtrukne felter med originalbeskeden, gennemgå transskripter mod optagelsen, og bekræft, at oversatte begreber forbliver intakte. Profilens praktiske fordel er afgrænset multimodal tekstbehandling med et defineret resultat; flydende tekst eller et værktøjsforslag fastslår ikke i sig selv faktuel korrekthed eller afsluttet ekstern udførelse.
", "aboutText": "Gemini 3.1 Flash-Lite Preview er previewudgaven af Googles lette Gemini 3.1 Flash-Lite-linje. Dens design fokuserer på hyppige opgaver med klare instruktioner: oversættelse, transskription, klassifikation, dokumentsammenfatning og enkelt dataudtræk. Den accepterer tekst, billeder, video, lyd og PDF og returnerer tekst. En nyttig opgave angiver én handling og én slutform, f.eks. en oversat besked, et transskript eller en post med de felter, en applikation kræver.\n\nDen specifikke previewdokumentation angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Det er særskilte producentgrænser. Kildematerialet, instruktionerne og samtalehistorikken bidrager til inputtet, mens det krævede resultat skal passe inden for outputbudgettet. Bevar identifikatorerne for en stor samling beskeder eller sider, og bed om en tilsvarende outputidentifikator for hvert behandlet element. Et stort vindue erstatter ikke en klar udtræksregel eller gør en tvetydig feltdefinition præcis.\n\nModelkortet omfatter tænkning, strukturerede output og funktionskald. Det angiver også kodekørsel, filsøgning, søgegrounding, Google Maps-grounding, URL-kontekst og caching som producentegenskaber. Det er en model med tekstoutput; lyd- eller billedinput indebærer ikke genereret tale eller billedkunst. En kaldende applikation vælger stadig de tilgængelige værktøjer, udfører accepterede anmodninger om funktionskald og returnerer deres resultater. Hold en foreslået handling adskilt fra en handling, der er bekræftet af applikationen.\n\nGiv kildebeskeden, målsproget, målgruppen og den terminologi, der skal bevares, ved oversættelse. Udviklervejledningen viser begrænsning af svaret til oversat tekst uden ekstra kommentarer. En supportbeskedarbejdsgang kan bevare produktnavne og ordrehenvisninger uændret og samtidig producere et naturligt svar på læserens sprog. Definér, om tvetydighed i kilden skal bevares, eller om et særskilt afklaringsspørgsmål skal returneres, frem for at tilføje en opdigtet detalje i oversættelsen.\n\nGiv lyden sammen med det ønskede resultat ved transskription: ordret tekst, et renskrevet transskript eller en sammenfatning. Det er forskellige opgaver. Identificér det relevante interval, hvis en lang optagelse kun indeholder en kort udveksling, resultatet kræver. Stil et bestemt spørgsmål til en PDF, eller definér de felter, der skal udtrækkes, med bevarelse af side- eller afsnitshenvisninger, hvor svaret skal kontrolleres. Angiv objektet, betegnelsen eller området, der er relevant for anmodningen, ved en visuel kilde.\n\nDefinér kategorierne, de krævede felter og håndteringen af manglende værdier ved klassifikation og entitetsudtræk. Producentens vejledning demonstrerer skemabegrænset JSON til udtræk af anmeldelsesoplysninger. Et originalt eksempel er at klassificere en supportsag og returnere det nævnte produkt, problemkategorien og den kildesætning, der understøtter valget. Giv et lille sæt repræsentative eksempler, herunder et tilfælde, som skal forblive ukendt. Validér den returnerede post, og skeln mellem en syntaktisk gyldig værdi og en værdi, der faktisk understøttes af kilden.\n\nLanceringsmaterialet beskriver justerbare tænkeniveauer, så opgaven kan bruge mere analyse, når dens betingelser kræver det. En kort sprogomdannelse og en klassifikation med flere undtagelser kan bruge forskellige ræsonneringsindstillinger. Udviklervejledningen præsenterer også modelrouting som en klassifikationsopgave: Modellen identificerer en anmodnings kompleksitet og returnerer en valgt kategori. Den omgivende applikation, ikke selve klassifikatoren, afgør, hvad der skal køres som det næste. Angiv de faktiske routingkriterier og de tilladte valg, så outputtet har en operationel betydning.\n\nBevar denne præcise Preview-identifikator, inputversionen og det ønskede skema eller outputformat til gentagelig behandling. Kontrollér et pilotresultat på samme type faktisk materiale, før et større sæt behandles. Sammenlign udtrukne felter med originalbeskeden, gennemgå transskripter mod optagelsen, og bekræft, at oversatte begreber forbliver intakte. Profilens praktiske fordel er afgrænset multimodal tekstbehandling med et defineret resultat; flydende tekst eller et værktøjsforslag fastslår ikke i sig selv faktuel korrekthed eller afsluttet ekstern udførelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a support message without additions\n\nTranslate this customer-service message into English for a customer. Preserve order reference K-204 and product name Orbit Mini exactly: 'Votre commande K-204 contenant Orbit Mini est prête à être retirée. Merci de présenter une pièce d’identité.' Return only the translation; do not add a collection address or deadline.Only the English translation, retaining the two exact identifiers and the identity-document requirement.K-204 and Orbit Mini remain unchanged, with no invented address, deadline or additional policy.gemini-3.1-flash-lite-previewGemini 3.1 Flash-Lite Preview er en multimodal tekstmodel til gentagne, veldefinerede opgaver som oversættelse, transskription, klassifikation og dataudtræk. Tænkning og strukturerede output hjælper med at omdanne leveret materiale til et kort resultat, som en applikation kan bruge.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Flash-Lite Preview er previewudgaven af Googles lette Gemini 3.1 Flash-Lite-linje. Dens design fokuserer på hyppige opgaver med klare instruktioner: oversættelse, transskription, klassifikation, dokumentsammenfatning og enkelt dataudtræk. Den accepterer tekst, billeder, video, lyd og PDF og returnerer tekst. En nyttig opgave angiver én handling og én slutform, f.eks. en oversat besked, et transskript eller en post med de felter, en applikation kræver.
Den specifikke previewdokumentation angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Det er særskilte producentgrænser. Kildematerialet, instruktionerne og samtalehistorikken bidrager til inputtet, mens det krævede resultat skal passe inden for outputbudgettet. Bevar identifikatorerne for en stor samling beskeder eller sider, og bed om en tilsvarende outputidentifikator for hvert behandlet element. Et stort vindue erstatter ikke en klar udtræksregel eller gør en tvetydig feltdefinition præcis.
Modelkortet omfatter tænkning, strukturerede output og funktionskald. Det angiver også kodekørsel, filsøgning, søgegrounding, Google Maps-grounding, URL-kontekst og caching som producentegenskaber. Det er en model med tekstoutput; lyd- eller billedinput indebærer ikke genereret tale eller billedkunst. En kaldende applikation vælger stadig de tilgængelige værktøjer, udfører accepterede anmodninger om funktionskald og returnerer deres resultater. Hold en foreslået handling adskilt fra en handling, der er bekræftet af applikationen.
Giv kildebeskeden, målsproget, målgruppen og den terminologi, der skal bevares, ved oversættelse. Udviklervejledningen viser begrænsning af svaret til oversat tekst uden ekstra kommentarer. En supportbeskedarbejdsgang kan bevare produktnavne og ordrehenvisninger uændret og samtidig producere et naturligt svar på læserens sprog. Definér, om tvetydighed i kilden skal bevares, eller om et særskilt afklaringsspørgsmål skal returneres, frem for at tilføje en opdigtet detalje i oversættelsen.
Giv lyden sammen med det ønskede resultat ved transskription: ordret tekst, et renskrevet transskript eller en sammenfatning. Det er forskellige opgaver. Identificér det relevante interval, hvis en lang optagelse kun indeholder en kort udveksling, resultatet kræver. Stil et bestemt spørgsmål til en PDF, eller definér de felter, der skal udtrækkes, med bevarelse af side- eller afsnitshenvisninger, hvor svaret skal kontrolleres. Angiv objektet, betegnelsen eller området, der er relevant for anmodningen, ved en visuel kilde.
Definér kategorierne, de krævede felter og håndteringen af manglende værdier ved klassifikation og entitetsudtræk. Producentens vejledning demonstrerer skemabegrænset JSON til udtræk af anmeldelsesoplysninger. Et originalt eksempel er at klassificere en supportsag og returnere det nævnte produkt, problemkategorien og den kildesætning, der understøtter valget. Giv et lille sæt repræsentative eksempler, herunder et tilfælde, som skal forblive ukendt. Validér den returnerede post, og skeln mellem en syntaktisk gyldig værdi og en værdi, der faktisk understøttes af kilden.
Lanceringsmaterialet beskriver justerbare tænkeniveauer, så opgaven kan bruge mere analyse, når dens betingelser kræver det. En kort sprogomdannelse og en klassifikation med flere undtagelser kan bruge forskellige ræsonneringsindstillinger. Udviklervejledningen præsenterer også modelrouting som en klassifikationsopgave: Modellen identificerer en anmodnings kompleksitet og returnerer en valgt kategori. Den omgivende applikation, ikke selve klassifikatoren, afgør, hvad der skal køres som det næste. Angiv de faktiske routingkriterier og de tilladte valg, så outputtet har en operationel betydning.
Bevar denne præcise Preview-identifikator, inputversionen og det ønskede skema eller outputformat til gentagelig behandling. Kontrollér et pilotresultat på samme type faktisk materiale, før et større sæt behandles. Sammenlign udtrukne felter med originalbeskeden, gennemgå transskripter mod optagelsen, og bekræft, at oversatte begreber forbliver intakte. Profilens praktiske fordel er afgrænset multimodal tekstbehandling med et defineret resultat; flydende tekst eller et værktøjsforslag fastslår ikke i sig selv faktuel korrekthed eller afsluttet ekstern udførelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.1-flash-lite-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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.1-flash-lite-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-3.1-flash-lite-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-3.1-flash-lite-preview, google/gemini-3.1-flash-lite-preview
/chat/completions
google/gemini-3.1-flash-lite-preview, gemini-3.1-flash-lite-preview
gemini-3.1-flash-lite-previewGemini 3.1 Flash-Lite Preview er en multimodal tekstmodel til gentagne, veldefinerede opgaver som oversættelse, transskription, klassifikation og dataudtræk. Tænkning og strukturerede output hjælper med at omdanne leveret materiale til et kort resultat, som en applikation kan bruge.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Flash-Lite Preview er previewudgaven af Googles lette Gemini 3.1 Flash-Lite-linje. Dens design fokuserer på hyppige opgaver med klare instruktioner: oversættelse, transskription, klassifikation, dokumentsammenfatning og enkelt dataudtræk. Den accepterer tekst, billeder, video, lyd og PDF og returnerer tekst. En nyttig opgave angiver én handling og én slutform, f.eks. en oversat besked, et transskript eller en post med de felter, en applikation kræver.
Den specifikke previewdokumentation angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Det er særskilte producentgrænser. Kildematerialet, instruktionerne og samtalehistorikken bidrager til inputtet, mens det krævede resultat skal passe inden for outputbudgettet. Bevar identifikatorerne for en stor samling beskeder eller sider, og bed om en tilsvarende outputidentifikator for hvert behandlet element. Et stort vindue erstatter ikke en klar udtræksregel eller gør en tvetydig feltdefinition præcis.
Modelkortet omfatter tænkning, strukturerede output og funktionskald. Det angiver også kodekørsel, filsøgning, søgegrounding, Google Maps-grounding, URL-kontekst og caching som producentegenskaber. Det er en model med tekstoutput; lyd- eller billedinput indebærer ikke genereret tale eller billedkunst. En kaldende applikation vælger stadig de tilgængelige værktøjer, udfører accepterede anmodninger om funktionskald og returnerer deres resultater. Hold en foreslået handling adskilt fra en handling, der er bekræftet af applikationen.
Giv kildebeskeden, målsproget, målgruppen og den terminologi, der skal bevares, ved oversættelse. Udviklervejledningen viser begrænsning af svaret til oversat tekst uden ekstra kommentarer. En supportbeskedarbejdsgang kan bevare produktnavne og ordrehenvisninger uændret og samtidig producere et naturligt svar på læserens sprog. Definér, om tvetydighed i kilden skal bevares, eller om et særskilt afklaringsspørgsmål skal returneres, frem for at tilføje en opdigtet detalje i oversættelsen.
Giv lyden sammen med det ønskede resultat ved transskription: ordret tekst, et renskrevet transskript eller en sammenfatning. Det er forskellige opgaver. Identificér det relevante interval, hvis en lang optagelse kun indeholder en kort udveksling, resultatet kræver. Stil et bestemt spørgsmål til en PDF, eller definér de felter, der skal udtrækkes, med bevarelse af side- eller afsnitshenvisninger, hvor svaret skal kontrolleres. Angiv objektet, betegnelsen eller området, der er relevant for anmodningen, ved en visuel kilde.
Definér kategorierne, de krævede felter og håndteringen af manglende værdier ved klassifikation og entitetsudtræk. Producentens vejledning demonstrerer skemabegrænset JSON til udtræk af anmeldelsesoplysninger. Et originalt eksempel er at klassificere en supportsag og returnere det nævnte produkt, problemkategorien og den kildesætning, der understøtter valget. Giv et lille sæt repræsentative eksempler, herunder et tilfælde, som skal forblive ukendt. Validér den returnerede post, og skeln mellem en syntaktisk gyldig værdi og en værdi, der faktisk understøttes af kilden.
Lanceringsmaterialet beskriver justerbare tænkeniveauer, så opgaven kan bruge mere analyse, når dens betingelser kræver det. En kort sprogomdannelse og en klassifikation med flere undtagelser kan bruge forskellige ræsonneringsindstillinger. Udviklervejledningen præsenterer også modelrouting som en klassifikationsopgave: Modellen identificerer en anmodnings kompleksitet og returnerer en valgt kategori. Den omgivende applikation, ikke selve klassifikatoren, afgør, hvad der skal køres som det næste. Angiv de faktiske routingkriterier og de tilladte valg, så outputtet har en operationel betydning.
Bevar denne præcise Preview-identifikator, inputversionen og det ønskede skema eller outputformat til gentagelig behandling. Kontrollér et pilotresultat på samme type faktisk materiale, før et større sæt behandles. Sammenlign udtrukne felter med originalbeskeden, gennemgå transskripter mod optagelsen, og bekræft, at oversatte begreber forbliver intakte. Profilens praktiske fordel er afgrænset multimodal tekstbehandling med et defineret resultat; flydende tekst eller et værktøjsforslag fastslår ikke i sig selv faktuel korrekthed eller afsluttet ekstern udførelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.1-flash-lite-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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-3.1-flash-lite-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-flash-lite-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-3.1-flash-lite-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-3.1-flash-lite-preview, google/gemini-3.1-flash-lite-preview
/chat/completions
google/gemini-3.1-flash-lite-preview, gemini-3.1-flash-lite-preview
google/gemini-3.1-flash-lite-previewGemini 3.1 Flash-Lite Preview er en multimodal tekstmodel til gentagne, veldefinerede opgaver som oversættelse, transskription, klassifikation og dataudtræk. Tænkning og strukturerede output hjælper med at omdanne leveret materiale til et kort resultat, som en applikation kan bruge.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Flash-Lite Preview er previewudgaven af Googles lette Gemini 3.1 Flash-Lite-linje. Dens design fokuserer på hyppige opgaver med klare instruktioner: oversættelse, transskription, klassifikation, dokumentsammenfatning og enkelt dataudtræk. Den accepterer tekst, billeder, video, lyd og PDF og returnerer tekst. En nyttig opgave angiver én handling og én slutform, f.eks. en oversat besked, et transskript eller en post med de felter, en applikation kræver.
Den specifikke previewdokumentation angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Det er særskilte producentgrænser. Kildematerialet, instruktionerne og samtalehistorikken bidrager til inputtet, mens det krævede resultat skal passe inden for outputbudgettet. Bevar identifikatorerne for en stor samling beskeder eller sider, og bed om en tilsvarende outputidentifikator for hvert behandlet element. Et stort vindue erstatter ikke en klar udtræksregel eller gør en tvetydig feltdefinition præcis.
Modelkortet omfatter tænkning, strukturerede output og funktionskald. Det angiver også kodekørsel, filsøgning, søgegrounding, Google Maps-grounding, URL-kontekst og caching som producentegenskaber. Det er en model med tekstoutput; lyd- eller billedinput indebærer ikke genereret tale eller billedkunst. En kaldende applikation vælger stadig de tilgængelige værktøjer, udfører accepterede anmodninger om funktionskald og returnerer deres resultater. Hold en foreslået handling adskilt fra en handling, der er bekræftet af applikationen.
Giv kildebeskeden, målsproget, målgruppen og den terminologi, der skal bevares, ved oversættelse. Udviklervejledningen viser begrænsning af svaret til oversat tekst uden ekstra kommentarer. En supportbeskedarbejdsgang kan bevare produktnavne og ordrehenvisninger uændret og samtidig producere et naturligt svar på læserens sprog. Definér, om tvetydighed i kilden skal bevares, eller om et særskilt afklaringsspørgsmål skal returneres, frem for at tilføje en opdigtet detalje i oversættelsen.
Giv lyden sammen med det ønskede resultat ved transskription: ordret tekst, et renskrevet transskript eller en sammenfatning. Det er forskellige opgaver. Identificér det relevante interval, hvis en lang optagelse kun indeholder en kort udveksling, resultatet kræver. Stil et bestemt spørgsmål til en PDF, eller definér de felter, der skal udtrækkes, med bevarelse af side- eller afsnitshenvisninger, hvor svaret skal kontrolleres. Angiv objektet, betegnelsen eller området, der er relevant for anmodningen, ved en visuel kilde.
Definér kategorierne, de krævede felter og håndteringen af manglende værdier ved klassifikation og entitetsudtræk. Producentens vejledning demonstrerer skemabegrænset JSON til udtræk af anmeldelsesoplysninger. Et originalt eksempel er at klassificere en supportsag og returnere det nævnte produkt, problemkategorien og den kildesætning, der understøtter valget. Giv et lille sæt repræsentative eksempler, herunder et tilfælde, som skal forblive ukendt. Validér den returnerede post, og skeln mellem en syntaktisk gyldig værdi og en værdi, der faktisk understøttes af kilden.
Lanceringsmaterialet beskriver justerbare tænkeniveauer, så opgaven kan bruge mere analyse, når dens betingelser kræver det. En kort sprogomdannelse og en klassifikation med flere undtagelser kan bruge forskellige ræsonneringsindstillinger. Udviklervejledningen præsenterer også modelrouting som en klassifikationsopgave: Modellen identificerer en anmodnings kompleksitet og returnerer en valgt kategori. Den omgivende applikation, ikke selve klassifikatoren, afgør, hvad der skal køres som det næste. Angiv de faktiske routingkriterier og de tilladte valg, så outputtet har en operationel betydning.
Bevar denne præcise Preview-identifikator, inputversionen og det ønskede skema eller outputformat til gentagelig behandling. Kontrollér et pilotresultat på samme type faktisk materiale, før et større sæt behandles. Sammenlign udtrukne felter med originalbeskeden, gennemgå transskripter mod optagelsen, og bekræft, at oversatte begreber forbliver intakte. Profilens praktiske fordel er afgrænset multimodal tekstbehandling med et defineret resultat; flydende tekst eller et værktøjsforslag fastslår ikke i sig selv faktuel korrekthed eller afsluttet ekstern udførelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.1-flash-lite-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.1-flash-lite-preview", "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-3.1-flash-lite-preview',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-3.1-flash-lite-preview',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 Ultra gemini-3.1-flash-lite-preview, google/gemini-3.1-flash-lite-preview
/chat/completions
google/gemini-3.1-flash-lite-preview, gemini-3.1-flash-lite-preview
google/gemini-3.1-flash-lite-previewGemini 3.1 Flash-Lite Preview er en multimodal tekstmodel til gentagne, veldefinerede opgaver som oversættelse, transskription, klassifikation og dataudtræk. Tænkning og strukturerede output hjælper med at omdanne leveret materiale til et kort resultat, som en applikation kan bruge.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Flash-Lite Preview er previewudgaven af Googles lette Gemini 3.1 Flash-Lite-linje. Dens design fokuserer på hyppige opgaver med klare instruktioner: oversættelse, transskription, klassifikation, dokumentsammenfatning og enkelt dataudtræk. Den accepterer tekst, billeder, video, lyd og PDF og returnerer tekst. En nyttig opgave angiver én handling og én slutform, f.eks. en oversat besked, et transskript eller en post med de felter, en applikation kræver.
Den specifikke previewdokumentation angiver en inputgrænse på 1.048.576 tokens og en outputgrænse på 65.536 tokens. Det er særskilte producentgrænser. Kildematerialet, instruktionerne og samtalehistorikken bidrager til inputtet, mens det krævede resultat skal passe inden for outputbudgettet. Bevar identifikatorerne for en stor samling beskeder eller sider, og bed om en tilsvarende outputidentifikator for hvert behandlet element. Et stort vindue erstatter ikke en klar udtræksregel eller gør en tvetydig feltdefinition præcis.
Modelkortet omfatter tænkning, strukturerede output og funktionskald. Det angiver også kodekørsel, filsøgning, søgegrounding, Google Maps-grounding, URL-kontekst og caching som producentegenskaber. Det er en model med tekstoutput; lyd- eller billedinput indebærer ikke genereret tale eller billedkunst. En kaldende applikation vælger stadig de tilgængelige værktøjer, udfører accepterede anmodninger om funktionskald og returnerer deres resultater. Hold en foreslået handling adskilt fra en handling, der er bekræftet af applikationen.
Giv kildebeskeden, målsproget, målgruppen og den terminologi, der skal bevares, ved oversættelse. Udviklervejledningen viser begrænsning af svaret til oversat tekst uden ekstra kommentarer. En supportbeskedarbejdsgang kan bevare produktnavne og ordrehenvisninger uændret og samtidig producere et naturligt svar på læserens sprog. Definér, om tvetydighed i kilden skal bevares, eller om et særskilt afklaringsspørgsmål skal returneres, frem for at tilføje en opdigtet detalje i oversættelsen.
Giv lyden sammen med det ønskede resultat ved transskription: ordret tekst, et renskrevet transskript eller en sammenfatning. Det er forskellige opgaver. Identificér det relevante interval, hvis en lang optagelse kun indeholder en kort udveksling, resultatet kræver. Stil et bestemt spørgsmål til en PDF, eller definér de felter, der skal udtrækkes, med bevarelse af side- eller afsnitshenvisninger, hvor svaret skal kontrolleres. Angiv objektet, betegnelsen eller området, der er relevant for anmodningen, ved en visuel kilde.
Definér kategorierne, de krævede felter og håndteringen af manglende værdier ved klassifikation og entitetsudtræk. Producentens vejledning demonstrerer skemabegrænset JSON til udtræk af anmeldelsesoplysninger. Et originalt eksempel er at klassificere en supportsag og returnere det nævnte produkt, problemkategorien og den kildesætning, der understøtter valget. Giv et lille sæt repræsentative eksempler, herunder et tilfælde, som skal forblive ukendt. Validér den returnerede post, og skeln mellem en syntaktisk gyldig værdi og en værdi, der faktisk understøttes af kilden.
Lanceringsmaterialet beskriver justerbare tænkeniveauer, så opgaven kan bruge mere analyse, når dens betingelser kræver det. En kort sprogomdannelse og en klassifikation med flere undtagelser kan bruge forskellige ræsonneringsindstillinger. Udviklervejledningen præsenterer også modelrouting som en klassifikationsopgave: Modellen identificerer en anmodnings kompleksitet og returnerer en valgt kategori. Den omgivende applikation, ikke selve klassifikatoren, afgør, hvad der skal køres som det næste. Angiv de faktiske routingkriterier og de tilladte valg, så outputtet har en operationel betydning.
Bevar denne præcise Preview-identifikator, inputversionen og det ønskede skema eller outputformat til gentagelig behandling. Kontrollér et pilotresultat på samme type faktisk materiale, før et større sæt behandles. Sammenlign udtrukne felter med originalbeskeden, gennemgå transskripter mod optagelsen, og bekræft, at oversatte begreber forbliver intakte. Profilens praktiske fordel er afgrænset multimodal tekstbehandling med et defineret resultat; flydende tekst eller et værktøjsforslag fastslår ikke i sig selv faktuel korrekthed eller afsluttet ekstern udførelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.1-flash-lite-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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.003 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0.0001666666666666666 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemini-3.1-flash-lite-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemini-3.1-flash-lite-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': 'google/gemini-3.1-flash-lite-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-3.1-flash-lite-preview, google/gemini-3.1-flash-lite-preview
/chat/completions
google/gemini-3.1-flash-lite-preview, gemini-3.1-flash-lite-preview
Teknisk eksempel på engelsk
Translate a support message without additions\n\nTranslate this customer-service message into English for a customer. Preserve order reference K-204 and product name Orbit Mini exactly: 'Votre commande K-204 contenant Orbit Mini est prête à être retirée. Merci de présenter une pièce d’identité.' Return only the translation; do not add a collection address or deadline.Only the English translation, retaining the two exact identifiers and the identity-document requirement.K-204 and Orbit Mini remain unchanged, with no invented address, deadline or additional policy.