Gemini 3.1 Flash-Lite er Googles stabile, lette multimodale tekstmodel til hyppige, veldefinerede opgaver. Den bygger på Gemini 3 Pro. Oversættelse og klassifikation er centrale arbejdsopgaver; andre nyttige opgaver omfatter transskription, dokumentsammenfatning, entitetsudtræk og klassifikation til modelvalg. Tekst, billeder, lyd, video og PDF kan levere kildematerialet, og resultatet er tekst. En nyttig opgavebeskrivelse beder om én handling og én slutform, f.eks. en oversat besked eller en post med felter fundet i et dokument.
Angiv kildeteksten, målsproget, målgruppen og den terminologi, der skal forblive intakt, ved oversættelse. Googles eksempel bruger instruktioner, der kun returnerer oversættelsen. Bevar produktnavne og ordrehenvisninger ved oversættelse af en supportbesked, mens resten oversættes naturligt. Angiv, hvordan tvetydighed skal håndteres, så resultatet ikke tilføjer en dato, et løfte eller en detalje, der mangler i kilden. Hold den ønskede form passende til destinationen, f.eks. et kort svar eller en mærket oversættelsespost.
Giv optagelsen ved transskription, og definér, om svaret skal være de talte ord, et læsbart redigeret transskript eller en sammenfatning. Det er forskellige output. Identificér det relevante interval, når en lang optagelse kun indeholder én passage, opgaven kræver. Producentens udviklereksempel sender lyd direkte og anmoder om et teksttransskript. Kontrollér navne, tal og uklare passager mod optagelsen, og bevar originalkilden til gennemgang. Denne generelle multimodale tekstprofil indebærer ikke i sig selv et lydoutput eller et dedikeret taleradskillelsesresultat.
Definér kategorierne, skemaet og reglen for manglende værdier ved klassifikation eller udtræk. Udviklervejledningen viser struktureret JSON til analyse af en kundeanmeldelse med et understøttende citat og definerede felter. En struktureret post kan indeholde det nævnte produkt, problemkategorien og den sætning, der begrunder valget. Medtag et repræsentativt tilfælde, som skal forblive ukendt frem for at blive tvunget ind i en kategori. En syntaktisk gyldig post kræver stadig sammenligning med den faktiske kildetekst.
Dokumentbehandling kan omdanne en PDF til en kort sammenfatning eller en feltpost. Angiv spørgsmålet, og bevar side- eller afsnitshenvisninger, hvor observationen skal kontrolleres. En tabelgennemgang skal angive de vigtige kolonner og den vigtige regel; en visuel opgave skal identificere den betegnelse eller det område, svaret kræver. Modelrouting er en anden dokumenteret anvendelse: Modellen klassificerer en anmodnings kompleksitet og returnerer et tilladt valg. Den tilsluttede applikation, ikke selve klassifikationsteksten, afgør, hvad der skal køres som det næste.
Tænkning understøttes, og producenten viser højere indsats til opgaver, som har gavn af mere analyse. Den specifikke stabile side angiver også funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og struktureret output. Computer Use understøttes ikke i denne stabile 3.1-profil; den senere 3.5 Flash-Lite-profil har en anden egenskabstabel. Definér værktøjsformål og parametre klart, og fortsæt ud fra faktisk returnerede resultater. Et funktionsforslag fastslår ikke, at handlingen har fundet sted.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den stabile API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktionerne, samtalen og kildemedierne i inputforberedelsen, og bed om et output, der passer til det tilsigtede resultat. Caching-, batch-, Flex- og Priority-behandling er dokumenteret for denne producentprofil. Medtag inputidentifikatoren i resultatet ved gentagne uafhængige elementer, og bevar et ensartet skema, så et manglende svar kan identificeres.
Denne stabile modelidentifikator er adskilt fra Gemini 3.1 Flash-Lite Preview og senere Flash-Lite-udgaver. Bevar den præcise udgave, når gentaget behandling forberedes, frem for at behandle et velkendt familienavn som en garanti for en fast revision. Gennemgå oversættelser for bevaret betydning og terminologi, transskripter mod lyden og udtrukne felter mod dokumentet. Profilens praktiske rolle er afgrænset multimodal tekstbehandling med et klart resultat og med en bredere opgaves ræsonnering eller eksterne handlinger overladt til det passende efterfølgende trin.
", "aboutText": "Gemini 3.1 Flash-Lite er Googles stabile, lette multimodale tekstmodel til hyppige, veldefinerede opgaver. Den bygger på Gemini 3 Pro. Oversættelse og klassifikation er centrale arbejdsopgaver; andre nyttige opgaver omfatter transskription, dokumentsammenfatning, entitetsudtræk og klassifikation til modelvalg. Tekst, billeder, lyd, video og PDF kan levere kildematerialet, og resultatet er tekst. En nyttig opgavebeskrivelse beder om én handling og én slutform, f.eks. en oversat besked eller en post med felter fundet i et dokument.\n\nAngiv kildeteksten, målsproget, målgruppen og den terminologi, der skal forblive intakt, ved oversættelse. Googles eksempel bruger instruktioner, der kun returnerer oversættelsen. Bevar produktnavne og ordrehenvisninger ved oversættelse af en supportbesked, mens resten oversættes naturligt. Angiv, hvordan tvetydighed skal håndteres, så resultatet ikke tilføjer en dato, et løfte eller en detalje, der mangler i kilden. Hold den ønskede form passende til destinationen, f.eks. et kort svar eller en mærket oversættelsespost.\n\nGiv optagelsen ved transskription, og definér, om svaret skal være de talte ord, et læsbart redigeret transskript eller en sammenfatning. Det er forskellige output. Identificér det relevante interval, når en lang optagelse kun indeholder én passage, opgaven kræver. Producentens udviklereksempel sender lyd direkte og anmoder om et teksttransskript. Kontrollér navne, tal og uklare passager mod optagelsen, og bevar originalkilden til gennemgang. Denne generelle multimodale tekstprofil indebærer ikke i sig selv et lydoutput eller et dedikeret taleradskillelsesresultat.\n\nDefinér kategorierne, skemaet og reglen for manglende værdier ved klassifikation eller udtræk. Udviklervejledningen viser struktureret JSON til analyse af en kundeanmeldelse med et understøttende citat og definerede felter. En struktureret post kan indeholde det nævnte produkt, problemkategorien og den sætning, der begrunder valget. Medtag et repræsentativt tilfælde, som skal forblive ukendt frem for at blive tvunget ind i en kategori. En syntaktisk gyldig post kræver stadig sammenligning med den faktiske kildetekst.\n\nDokumentbehandling kan omdanne en PDF til en kort sammenfatning eller en feltpost. Angiv spørgsmålet, og bevar side- eller afsnitshenvisninger, hvor observationen skal kontrolleres. En tabelgennemgang skal angive de vigtige kolonner og den vigtige regel; en visuel opgave skal identificere den betegnelse eller det område, svaret kræver. Modelrouting er en anden dokumenteret anvendelse: Modellen klassificerer en anmodnings kompleksitet og returnerer et tilladt valg. Den tilsluttede applikation, ikke selve klassifikationsteksten, afgør, hvad der skal køres som det næste.\n\nTænkning understøttes, og producenten viser højere indsats til opgaver, som har gavn af mere analyse. Den specifikke stabile side angiver også funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og struktureret output. Computer Use understøttes ikke i denne stabile 3.1-profil; den senere 3.5 Flash-Lite-profil har en anden egenskabstabel. Definér værktøjsformål og parametre klart, og fortsæt ud fra faktisk returnerede resultater. Et funktionsforslag fastslår ikke, at handlingen har fundet sted.\n\nDet native modelkort angiver op til 1M kontekst og 64K tekstoutput; den stabile API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktionerne, samtalen og kildemedierne i inputforberedelsen, og bed om et output, der passer til det tilsigtede resultat. Caching-, batch-, Flex- og Priority-behandling er dokumenteret for denne producentprofil. Medtag inputidentifikatoren i resultatet ved gentagne uafhængige elementer, og bevar et ensartet skema, så et manglende svar kan identificeres.\n\nDenne stabile modelidentifikator er adskilt fra Gemini 3.1 Flash-Lite Preview og senere Flash-Lite-udgaver. Bevar den præcise udgave, når gentaget behandling forberedes, frem for at behandle et velkendt familienavn som en garanti for en fast revision. Gennemgå oversættelser for bevaret betydning og terminologi, transskripter mod lyden og udtrukne felter mod dokumentet. Profilens praktiske rolle er afgrænset multimodal tekstbehandling med et klart resultat og med en bredere opgaves ræsonnering eller eksterne handlinger overladt til det passende efterfølgende trin.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "cbafcb55787127f8d8723afdcb3b6a06f5bbd4f8835acd24b5bfee3a671c0fd6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "google/gemini-3.1-flash-lite:batchGemini 3.1 Flash-Lite er Googles stabile multimodale model til oversættelse, transskription, klassifikation og enkelt udtræk i stor skala. Den accepterer tekst, billeder, lyd, video og PDF og returnerer tekst med tænkning, værktøjer og struktureret output. Dens præcise input- og outputgrænser er 1.048.576/65.536 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.1 Flash-Lite er Googles stabile, lette multimodale tekstmodel til hyppige, veldefinerede opgaver. Den bygger på Gemini 3 Pro. Oversættelse og klassifikation er centrale arbejdsopgaver; andre nyttige opgaver omfatter transskription, dokumentsammenfatning, entitetsudtræk og klassifikation til modelvalg. Tekst, billeder, lyd, video og PDF kan levere kildematerialet, og resultatet er tekst. En nyttig opgavebeskrivelse beder om én handling og én slutform, f.eks. en oversat besked eller en post med felter fundet i et dokument.
Angiv kildeteksten, målsproget, målgruppen og den terminologi, der skal forblive intakt, ved oversættelse. Googles eksempel bruger instruktioner, der kun returnerer oversættelsen. Bevar produktnavne og ordrehenvisninger ved oversættelse af en supportbesked, mens resten oversættes naturligt. Angiv, hvordan tvetydighed skal håndteres, så resultatet ikke tilføjer en dato, et løfte eller en detalje, der mangler i kilden. Hold den ønskede form passende til destinationen, f.eks. et kort svar eller en mærket oversættelsespost.
Giv optagelsen ved transskription, og definér, om svaret skal være de talte ord, et læsbart redigeret transskript eller en sammenfatning. Det er forskellige output. Identificér det relevante interval, når en lang optagelse kun indeholder én passage, opgaven kræver. Producentens udviklereksempel sender lyd direkte og anmoder om et teksttransskript. Kontrollér navne, tal og uklare passager mod optagelsen, og bevar originalkilden til gennemgang. Denne generelle multimodale tekstprofil indebærer ikke i sig selv et lydoutput eller et dedikeret taleradskillelsesresultat.
Definér kategorierne, skemaet og reglen for manglende værdier ved klassifikation eller udtræk. Udviklervejledningen viser struktureret JSON til analyse af en kundeanmeldelse med et understøttende citat og definerede felter. En struktureret post kan indeholde det nævnte produkt, problemkategorien og den sætning, der begrunder valget. Medtag et repræsentativt tilfælde, som skal forblive ukendt frem for at blive tvunget ind i en kategori. En syntaktisk gyldig post kræver stadig sammenligning med den faktiske kildetekst.
Dokumentbehandling kan omdanne en PDF til en kort sammenfatning eller en feltpost. Angiv spørgsmålet, og bevar side- eller afsnitshenvisninger, hvor observationen skal kontrolleres. En tabelgennemgang skal angive de vigtige kolonner og den vigtige regel; en visuel opgave skal identificere den betegnelse eller det område, svaret kræver. Modelrouting er en anden dokumenteret anvendelse: Modellen klassificerer en anmodnings kompleksitet og returnerer et tilladt valg. Den tilsluttede applikation, ikke selve klassifikationsteksten, afgør, hvad der skal køres som det næste.
Tænkning understøttes, og producenten viser højere indsats til opgaver, som har gavn af mere analyse. Den specifikke stabile side angiver også funktionskald, kodekørsel, filsøgning, søgegrounding, Maps-grounding, URL-kontekst og struktureret output. Computer Use understøttes ikke i denne stabile 3.1-profil; den senere 3.5 Flash-Lite-profil har en anden egenskabstabel. Definér værktøjsformål og parametre klart, og fortsæt ud fra faktisk returnerede resultater. Et funktionsforslag fastslår ikke, at handlingen har fundet sted.
Det native modelkort angiver op til 1M kontekst og 64K tekstoutput; den stabile API-tabel angiver 1.048.576 inputtokens og 65.536 outputtokens. Medtag instruktionerne, samtalen og kildemedierne i inputforberedelsen, og bed om et output, der passer til det tilsigtede resultat. Caching-, batch-, Flex- og Priority-behandling er dokumenteret for denne producentprofil. Medtag inputidentifikatoren i resultatet ved gentagne uafhængige elementer, og bevar et ensartet skema, så et manglende svar kan identificeres.
Denne stabile modelidentifikator er adskilt fra Gemini 3.1 Flash-Lite Preview og senere Flash-Lite-udgaver. Bevar den præcise udgave, når gentaget behandling forberedes, frem for at behandle et velkendt familienavn som en garanti for en fast revision. Gennemgå oversættelser for bevaret betydning og terminologi, transskripter mod lyden og udtrukne felter mod dokumentet. Profilens praktiske rolle er afgrænset multimodal tekstbehandling med et klart resultat og med en bredere opgaves ræsonnering eller eksterne handlinger overladt til det passende efterfølgende trin.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.1-flash-lite:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser google/gemini-3.1-flash-lite:batch, google/gemini-3.1-flash-lite | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser google-vertex/global | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
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 $0.00025 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.000025 / 1K tokens Input · Cacheskrivning — / 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 $0.00025 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.000025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"google/gemini-3.1-flash-lite:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['google/gemini-3.1-flash-lite:batch', 'google/gemini-3.1-flash-lite']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-3.1-flash-lite:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra google/gemini-3.1-flash-lite:batch
Brug metodestierne vist ovenfor.