Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.
En programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.
Udgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.
En definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.
Det dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.
Den specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.
Denne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.
Definér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.
", "aboutText": "Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.\n\nEn programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.\n\nUdgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.\n\nEn definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.\n\nDet dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.\n\nDen specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.\n\nDenne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.\n\nDefinér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ae48fd7c62c260ad5d0e7108fa5c04cf005790233eb84620da3da5ad12260540", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "google/gemini-3.5-flash:batchGemini 3.5 Flash kombinerer multimodal forståelse med ræsonnering til programmering og agentopgaver med flere trin. Den accepterer tekst, billeder, video, lyd og PDF og producerer tekst med strukturerede output, værktøjer og en inputgrænse på 1.048.576 tokens i sin dokumenterede profil.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Flash er Googles multimodale Flash-modelprofil til længerevarende programmering og agentarbejde. Dens dokumenterede input er tekst, billeder, video, lyd og PDF med tekstoutput. Modellens opgavefokus omfatter iterativ programmering, udforskning af alternative løsninger og længere rækker af instruktioner og værktøjsbrug. 3.5-udgaven tilbyder dokumenterede tænkeindstillinger, multimodale input og værktøjsarbejdsgange.
En programmeringsopgave kan kombinere et skriftligt krav, relevante kildefiler og et skærmbillede af det tilsigtede resultat. Angiv den observerede adfærd, den forventede adfærd og de begrænsninger, der skal forblive intakte. En eksempelopgave er: “Sammenlign skærmbilledet med komponentteksten, identificér afvigelsen i formulararbejdsgangen, og foreslå én målrettet rettelse. Forklar, hvilke kildedetaljer der begrunder ændringen.” Giv de relevante sider til en dokumentopgave, og bed om en sammenligning mod eksplicitte krav med kildehenvisninger til hver observation.
Udgaven dokumenterer tænkeniveauerne minimal, low, medium og high. medium er standarden, ændret fra standarden high i Gemini 3 Flash Preview. minimal egner sig til enkle svar og ligefremme værktøjsbeslutninger uden at garantere, at ræsonnering er helt deaktiveret; low retter sig mod opgaver med færre trin; high giver dybere ræsonnering til svær matematik, programmering og agentproblemer. Google anbefaler at bruge thinking_level til at styre indsatsen og bevare standardsamplingindstillinger frem for at forsøge at fremtvinge ræsonnering ved at ændre temperature, top-p eller top-k.
En definerende adfærd er bevarelse af ræsonneringskontekst på tværs af en opgave med flere ture. Googles Interactions-arbejdsgang overfører denne kontekst automatisk; dens GenerateContent-arbejdsgang kræver hele den uændrede samtalehistorik inklusive tankesignaturer. Det understøtter en fortsat fejlfindings- eller refaktoreringsopgave, hvor tidligere ræsonnering bidrager til det næste trin. Bevar den faktiske samtalestruktur frem for at omdanne hver opfølgning til en uvedkommende prompt, og hold det endeligt ønskede resultat klart, mens arbejdet skrider frem.
Det dokumenterede værktøjssæt omfatter Google Search, grounding med Google Maps, File Search, Code Execution, URL Context og standard Function Calling med kombineret værktøjsbrug og Computer Use markeret som en previewfunktion. Structured Outputs kan levere en defineret datapost. Giv funktioner et klart formål og en parameterdefinition: Modellen vælger en funktion, mens den tilsluttede applikation udfører dens handling og returnerer resultatet. Google kræver, at funktionsresultater matcher de foregående kald ud fra identitet, navn og antal; multimodale resultater hører til inde i funktionssvaret.
Den specifikke API-modeltabel angiver et maksimalt input på 1.048.576 tokens og et maksimalt output på 65.536 tokens. Samtalehistorik og leverede medier bidrager til inputbudgettet. Caching og batchbehandling er dokumenteret for denne profil med yderligere Flex- og Priority-behandlingsmuligheder i Googles tabel. Disse grænser og egenskaber beskriver producentudgaven; de kræver ikke, at et svar fylder hele outputvinduet, eller gør hvert værktøj nødvendigt for en opgave.
Denne profil genererer tekst frem for billeder eller lyd og bruger ikke Live API. Dens udviklervejledning udelukker også billedsegmentering. Bed ved et visuelt spørgsmål om en beskrivelse, et udtræk eller en fortolkning af det leverede materiale; bed ved en talt optagelse om et tekstresultat. Når svaret afhænger af nyere oplysninger, kan den dokumenterede søgegroundingarbejdsgang tilføje kilder ud over træningsviden. Angiv, om eksterne oplysninger kræves, og hvilken dokumentation det endelige svar skal bevare.
Definér slutresultatet og afslutningskriteriet før det første trin til en nyttig længere opgave. En supportanalyse kan bede om en tabel over observerede problemer, understøttende passager og et foreslået svar; en programmeringsopgave kan kræve den målrettede ændring og det relevante valideringsresultat. Vedlæg den relevante kildekontekst, angiv de tilladte værktøjshandlinger, og bed om et eksplicit endeligt svar, der adskiller færdigt arbejde fra spørgsmål, som stadig kræver oplysninger. Det omdanner modellens længerevarende arbejdsgang til et konkret tekst-, kode- eller struktureret resultat.
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-3.5-flash: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-3.5-flash:batch, google/gemini-3.5-flash | 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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-3.5-flash: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-3.5-flash:batch', 'google/gemini-3.5-flash']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-3.5-flash: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-3.5-flash:batch
Brug metodestierne vist ovenfor.