Gemini 3 Pro Preview ist Googles benanntes Vorschauprofil von Gemini 3 Pro für multimodales Schlussfolgern und Textgenerierung. Es kann mit Text, Bildern, Audio, Video und PDF-Dokumenten arbeiten und ein schriftliches Ergebnis zurückgeben. Zu den vorgesehenen Anwendungen zählen komplexe Analysen, anspruchsvolle Programmierung, Algorithmenentwicklung und Aufgaben, die einen umfangreichen Quellenbestand mit einer konkreten Frage verbinden.
Gemini 3 Pro ist ein transformerbasiertes Sparse-Mixture-of-Experts-Modell mit nativer Unterstützung multimodaler Eingaben. Seine Architektur leitet jedes Token durch eine ausgewählte Teilmenge von Experten. Dies ist ein Unterschied im Modelldesign und keine Benutzersteuerung zur Auswahl eines bestimmten Experten oder zur Festlegung einer Bereitstellungskonfiguration.
Bereiten Sie die Eingaben anhand des Informationsbedarfs der Aufgabe vor. Ein Dokument, ein Screenshot und eine Audioaufnahme können jeweils andere Belege liefern. Kennzeichnen Sie, was jedes Material enthält und wie es zur Antwort beitragen soll. Die Ausgabe bleibt Text; das Verständnis visueller oder gesprochener Inhalte macht diese Vorschau nicht zu einem Bild-, Sprach- oder Videogenerator.
Verwenden Sie Bilder für Fragen zu sichtbaren Inhalten, Audio für gesprochene oder akustische Informationen und Video für einen Ablauf, dessen Veränderungen im Zeitverlauf wichtig sind. Fügen Sie das tatsächliche Material der Frage bei, statt es nur aus dem Gedächtnis zu beschreiben. Kennzeichnen Sie mehrere Materialien bei einem Vergleich eindeutig, damit sich die Antwort auf die richtige Quelle beziehen kann.
Ein Briefing für eine Produktanalyse kann beispielsweise eine schriftliche Spezifikation, einen Screenshot der Oberfläche und eine aufgezeichnete Demonstration verbinden. Verlangen Sie einen Vergleich, der die Zusagen der Spezifikation von dem trennt, was im bereitgestellten Material sichtbar oder hörbar ist. Definieren Sie das gewünschte Ergebnis als Feststellungen, stützende Beobachtungen und offene Fragen.
Stellen Sie für eine PDF-Aufgabe das Dokument bereit und benennen Sie die zu prüfenden Abschnitte oder Aussagen. Eine nützliche Frage verlangt einen quellenbezogenen Vergleich, eine Extraktion oder eine Erklärung, statt lediglich eine allgemeine Zusammenfassung einer großen Datei anzufordern.
Die genaue Vorschauspezifikation nennt ein Eingabelimit von 1.048.576 Tokens und ein Ausgabelimit von 65.536 Tokens. Der Hersteller nennt Jänner 2025 als Wissensstand; stellen Sie neuere Belege bereit, wenn die Frage von späteren Ereignissen oder Informationen abhängt. Dies sind unterschiedliche Budgets. Ein großer Quellenbestand kann für eine gezielte Antwort gelesen werden, ohne dass das Modell jeden Teil der Eingabe wiedergeben muss.
Ordnen Sie langes Material so, dass seine Struktur klar erkennbar ist: Dokumenttitel, Abschnittsgrenzen, Codepfade und die Frage, die die Ausgabe beantworten muss. Halten Sie relevante Ausnahmen und Definitionen nahe bei den Inhalten, auf die sie sich beziehen. Benötigt eine Aufgabe einen langen Bericht, legen Sie dessen Abschnitte und die darin jeweils erwarteten Belege fest.
Ein großes Kontextfenster garantiert weder, dass jedes Detail gleich viel Aufmerksamkeit erhält, noch, dass jede Schlussfolgerung richtig ist. Google nennt zudem eine mögliche Qualitätsverschlechterung in Gesprächen mit mehreren Runden; prüfen Sie wichtige Quellenfakten und wiederverwendeten Kontext im Verlauf eines Austauschs. Gleichen Sie die Antwort mit den konkreten Passagen oder Materialien ab, die ihre wesentlichen Aussagen stützen.
Zu den vorgesehenen Anwendungen des Herstellers gehören anspruchsvolle Programmier- und Algorithmenaufgaben. Stellen Sie den relevanten Quellcode, Annahmen zur Umgebung, den beobachteten Fehler und das erwartete Verhalten bereit. Definieren Sie bei einer Algorithmusaufgabe die Eingabe, die gewünschte Ausgabe und Bedingungen etwa zur Reihenfolge, zu Duplikaten oder ungültigen Daten.
Ein nützliches Debugging-Briefing verbindet die fehlschlagende Eingabe und Fehlermeldung mit dem kleinsten relevanten Quellcodebereich. Verlangen Sie eine Diagnose und eine gezielte Änderung und prüfen Sie anschließend, ob die vorgeschlagene Änderung das gemeldete Verhalten behebt. Generierter Code und die Behauptung, er sollte funktionieren, unterscheiden sich von einer ausgeführten und überprüften Implementierung.
Verwenden Sie bei einer umfassenderen Repository-Frage das Eingabebudget, um die nötigen Dateien mit klaren Pfadangaben bereitzustellen. Geben Sie an, ob das gewünschte Ergebnis eine Erklärung, ein Änderungsvorschlag oder eine Analyse von Alternativen ist, damit das Resultat einen konkreten Zweck erfüllt.
Die Herstellerspezifikation der Vorschau unterstützt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding und URL-Kontext. Diese Funktionen haben unterschiedliche Aufgaben. Ein Funktionsaufruf beschreibt einen Vorgang, den eine Anwendung ausführen soll; ein Werkzeugergebnis liefert anschließend Belege für den folgenden Modellschritt. Codeausführung ist ein Werkzeugablauf und keine Garantie dafür, dass beliebiger generierter Anwendungscode bereits getestet wurde.
Such-Grounding und URL-Kontext ermöglichen quellenorientierte Abläufe, während die Dateisuche mit einer vorbereiteten Dateisammlung arbeitet. Bewahren Sie Werkzeugergebnisse und Quellenzuordnungen gemeinsam mit der Antwort auf, damit sich eine Schlussfolgerung prüfen lässt. Laut Spezifikation unterstützt das Profil weder Computer Use noch Maps-Grounding.
Die Unterstützung strukturierter Ausgaben kann ein Ergebnis in einem definierten Schema ausdrücken. Legen Sie die Felder und ihre Bedeutung vor der Generierung fest und prüfen Sie sowohl die Inhalte als auch das Format. Auch ein gültiges strukturiertes Objekt benötigt eine sachliche und aufgabenspezifische Kontrolle.
Diese Vorschau unterstützt Thinking. Verwenden Sie für Aufgaben mit mehreren Denkschritten eine klare Aufgabenstellung, relevante Belege und ausdrückliche Einschränkungen. Das Ergebnis sollte Annahmen und die nützliche Schlussfolgerung erklären; verborgenes Schlussfolgern oder das Vorhandensein eines Thinking-Modus sind für sich genommen keine Überprüfung.
Der Hersteller nennt auch Unterstützung für Caching und Batch-Verarbeitung. Dies sind Verarbeitungsfunktionen, die von den inhaltlichen Fähigkeiten des Modells getrennt sind; ihr Vorhandensein belegt weder, dass eine bestimmte Anfrage gecacht wurde, noch, dass ein Batch-Ergebnis richtig ist.
Halten Sie Gemini 3 Pro Preview von Gemini 3.1 Pro Preview, Gemini 3 Pro Image sowie den Audio- oder Live-Profilen getrennt. Die Ausgabe dieser Vorschau ist Text; ihre Spezifikation umfasst keine Bildgenerierung, Audiogenerierung oder Live-Verarbeitung. Prüfen Sie die zurückgegebene Antwort, den Code oder das strukturierte Ergebnis anhand des bereitgestellten Quellenbestands und der beabsichtigten Aufgabe.
", "aboutText": "Gemini 3 Pro Preview ist Googles benanntes Vorschauprofil von Gemini 3 Pro für multimodales Schlussfolgern und Textgenerierung. Es kann mit Text, Bildern, Audio, Video und PDF-Dokumenten arbeiten und ein schriftliches Ergebnis zurückgeben. Zu den vorgesehenen Anwendungen zählen komplexe Analysen, anspruchsvolle Programmierung, Algorithmenentwicklung und Aufgaben, die einen umfangreichen Quellenbestand mit einer konkreten Frage verbinden.\n\n### Modell und Eingabestruktur\n\nGemini 3 Pro ist ein transformerbasiertes Sparse-Mixture-of-Experts-Modell mit nativer Unterstützung multimodaler Eingaben. Seine Architektur leitet jedes Token durch eine ausgewählte Teilmenge von Experten. Dies ist ein Unterschied im Modelldesign und keine Benutzersteuerung zur Auswahl eines bestimmten Experten oder zur Festlegung einer Bereitstellungskonfiguration.\n\nBereiten Sie die Eingaben anhand des Informationsbedarfs der Aufgabe vor. Ein Dokument, ein Screenshot und eine Audioaufnahme können jeweils andere Belege liefern. Kennzeichnen Sie, was jedes Material enthält und wie es zur Antwort beitragen soll. Die Ausgabe bleibt Text; das Verständnis visueller oder gesprochener Inhalte macht diese Vorschau nicht zu einem Bild-, Sprach- oder Videogenerator.\n\n### Multimodale Analyse\n\nVerwenden Sie Bilder für Fragen zu sichtbaren Inhalten, Audio für gesprochene oder akustische Informationen und Video für einen Ablauf, dessen Veränderungen im Zeitverlauf wichtig sind. Fügen Sie das tatsächliche Material der Frage bei, statt es nur aus dem Gedächtnis zu beschreiben. Kennzeichnen Sie mehrere Materialien bei einem Vergleich eindeutig, damit sich die Antwort auf die richtige Quelle beziehen kann.\n\nEin Briefing für eine Produktanalyse kann beispielsweise eine schriftliche Spezifikation, einen Screenshot der Oberfläche und eine aufgezeichnete Demonstration verbinden. Verlangen Sie einen Vergleich, der die Zusagen der Spezifikation von dem trennt, was im bereitgestellten Material sichtbar oder hörbar ist. Definieren Sie das gewünschte Ergebnis als Feststellungen, stützende Beobachtungen und offene Fragen.\n\nStellen Sie für eine PDF-Aufgabe das Dokument bereit und benennen Sie die zu prüfenden Abschnitte oder Aussagen. Eine nützliche Frage verlangt einen quellenbezogenen Vergleich, eine Extraktion oder eine Erklärung, statt lediglich eine allgemeine Zusammenfassung einer großen Datei anzufordern.\n\n### Langer Kontext und Ausgabebudget\n\nDie genaue Vorschauspezifikation nennt ein Eingabelimit von 1.048.576 Tokens und ein Ausgabelimit von 65.536 Tokens. Der Hersteller nennt Jänner 2025 als Wissensstand; stellen Sie neuere Belege bereit, wenn die Frage von späteren Ereignissen oder Informationen abhängt. Dies sind unterschiedliche Budgets. Ein großer Quellenbestand kann für eine gezielte Antwort gelesen werden, ohne dass das Modell jeden Teil der Eingabe wiedergeben muss.\n\nOrdnen Sie langes Material so, dass seine Struktur klar erkennbar ist: Dokumenttitel, Abschnittsgrenzen, Codepfade und die Frage, die die Ausgabe beantworten muss. Halten Sie relevante Ausnahmen und Definitionen nahe bei den Inhalten, auf die sie sich beziehen. Benötigt eine Aufgabe einen langen Bericht, legen Sie dessen Abschnitte und die darin jeweils erwarteten Belege fest.\n\nEin großes Kontextfenster garantiert weder, dass jedes Detail gleich viel Aufmerksamkeit erhält, noch, dass jede Schlussfolgerung richtig ist. Google nennt zudem eine mögliche Qualitätsverschlechterung in Gesprächen mit mehreren Runden; prüfen Sie wichtige Quellenfakten und wiederverwendeten Kontext im Verlauf eines Austauschs. Gleichen Sie die Antwort mit den konkreten Passagen oder Materialien ab, die ihre wesentlichen Aussagen stützen.\n\n### Programmierung und Algorithmenentwicklung\n\nZu den vorgesehenen Anwendungen des Herstellers gehören anspruchsvolle Programmier- und Algorithmenaufgaben. Stellen Sie den relevanten Quellcode, Annahmen zur Umgebung, den beobachteten Fehler und das erwartete Verhalten bereit. Definieren Sie bei einer Algorithmusaufgabe die Eingabe, die gewünschte Ausgabe und Bedingungen etwa zur Reihenfolge, zu Duplikaten oder ungültigen Daten.\n\nEin nützliches Debugging-Briefing verbindet die fehlschlagende Eingabe und Fehlermeldung mit dem kleinsten relevanten Quellcodebereich. Verlangen Sie eine Diagnose und eine gezielte Änderung und prüfen Sie anschließend, ob die vorgeschlagene Änderung das gemeldete Verhalten behebt. Generierter Code und die Behauptung, er sollte funktionieren, unterscheiden sich von einer ausgeführten und überprüften Implementierung.\n\nVerwenden Sie bei einer umfassenderen Repository-Frage das Eingabebudget, um die nötigen Dateien mit klaren Pfadangaben bereitzustellen. Geben Sie an, ob das gewünschte Ergebnis eine Erklärung, ein Änderungsvorschlag oder eine Analyse von Alternativen ist, damit das Resultat einen konkreten Zweck erfüllt.\n\n### Werkzeuge, Quellen und strukturierte Ergebnisse\n\nDie Herstellerspezifikation der Vorschau unterstützt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding und URL-Kontext. Diese Funktionen haben unterschiedliche Aufgaben. Ein Funktionsaufruf beschreibt einen Vorgang, den eine Anwendung ausführen soll; ein Werkzeugergebnis liefert anschließend Belege für den folgenden Modellschritt. Codeausführung ist ein Werkzeugablauf und keine Garantie dafür, dass beliebiger generierter Anwendungscode bereits getestet wurde.\n\nSuch-Grounding und URL-Kontext ermöglichen quellenorientierte Abläufe, während die Dateisuche mit einer vorbereiteten Dateisammlung arbeitet. Bewahren Sie Werkzeugergebnisse und Quellenzuordnungen gemeinsam mit der Antwort auf, damit sich eine Schlussfolgerung prüfen lässt. Laut Spezifikation unterstützt das Profil weder Computer Use noch Maps-Grounding.\n\nDie Unterstützung strukturierter Ausgaben kann ein Ergebnis in einem definierten Schema ausdrücken. Legen Sie die Felder und ihre Bedeutung vor der Generierung fest und prüfen Sie sowohl die Inhalte als auch das Format. Auch ein gültiges strukturiertes Objekt benötigt eine sachliche und aufgabenspezifische Kontrolle.\n\n### Schlussfolgern, Wiederverwendung und Abgrenzung der Modellvarianten\n\nDiese Vorschau unterstützt Thinking. Verwenden Sie für Aufgaben mit mehreren Denkschritten eine klare Aufgabenstellung, relevante Belege und ausdrückliche Einschränkungen. Das Ergebnis sollte Annahmen und die nützliche Schlussfolgerung erklären; verborgenes Schlussfolgern oder das Vorhandensein eines Thinking-Modus sind für sich genommen keine Überprüfung.\n\nDer Hersteller nennt auch Unterstützung für Caching und Batch-Verarbeitung. Dies sind Verarbeitungsfunktionen, die von den inhaltlichen Fähigkeiten des Modells getrennt sind; ihr Vorhandensein belegt weder, dass eine bestimmte Anfrage gecacht wurde, noch, dass ein Batch-Ergebnis richtig ist.\n\nHalten Sie Gemini 3 Pro Preview von Gemini 3.1 Pro Preview, Gemini 3 Pro Image sowie den Audio- oder Live-Profilen getrennt. Die Ausgabe dieser Vorschau ist Text; ihre Spezifikation umfasst keine Bildgenerierung, Audiogenerierung oder Live-Verarbeitung. Prüfen Sie die zurückgegebene Antwort, den Code oder das strukturierte Ergebnis anhand des bereitgestellten Quellenbestands und der beabsichtigten Aufgabe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a7aacd482205243749eaa59959f22d0c50a3a72f935ca371c462656329d877ee", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "gemini-3-pro-previewGemini 3 Pro Preview ist Googles multimodales Reasoning-Modell für Text, Bilder, Audio, Video und PDFs mit Textausgabe. Sein großes Eingabebudget, seine Programmierfähigkeiten und unterstützten Werkzeugabläufe eignen sich für detaillierte Analysen, Dokumentenvergleiche und beleggestützte Aufgabenausführung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3 Pro Preview ist Googles benanntes Vorschauprofil von Gemini 3 Pro für multimodales Schlussfolgern und Textgenerierung. Es kann mit Text, Bildern, Audio, Video und PDF-Dokumenten arbeiten und ein schriftliches Ergebnis zurückgeben. Zu den vorgesehenen Anwendungen zählen komplexe Analysen, anspruchsvolle Programmierung, Algorithmenentwicklung und Aufgaben, die einen umfangreichen Quellenbestand mit einer konkreten Frage verbinden.
Gemini 3 Pro ist ein transformerbasiertes Sparse-Mixture-of-Experts-Modell mit nativer Unterstützung multimodaler Eingaben. Seine Architektur leitet jedes Token durch eine ausgewählte Teilmenge von Experten. Dies ist ein Unterschied im Modelldesign und keine Benutzersteuerung zur Auswahl eines bestimmten Experten oder zur Festlegung einer Bereitstellungskonfiguration.
Bereiten Sie die Eingaben anhand des Informationsbedarfs der Aufgabe vor. Ein Dokument, ein Screenshot und eine Audioaufnahme können jeweils andere Belege liefern. Kennzeichnen Sie, was jedes Material enthält und wie es zur Antwort beitragen soll. Die Ausgabe bleibt Text; das Verständnis visueller oder gesprochener Inhalte macht diese Vorschau nicht zu einem Bild-, Sprach- oder Videogenerator.
Verwenden Sie Bilder für Fragen zu sichtbaren Inhalten, Audio für gesprochene oder akustische Informationen und Video für einen Ablauf, dessen Veränderungen im Zeitverlauf wichtig sind. Fügen Sie das tatsächliche Material der Frage bei, statt es nur aus dem Gedächtnis zu beschreiben. Kennzeichnen Sie mehrere Materialien bei einem Vergleich eindeutig, damit sich die Antwort auf die richtige Quelle beziehen kann.
Ein Briefing für eine Produktanalyse kann beispielsweise eine schriftliche Spezifikation, einen Screenshot der Oberfläche und eine aufgezeichnete Demonstration verbinden. Verlangen Sie einen Vergleich, der die Zusagen der Spezifikation von dem trennt, was im bereitgestellten Material sichtbar oder hörbar ist. Definieren Sie das gewünschte Ergebnis als Feststellungen, stützende Beobachtungen und offene Fragen.
Stellen Sie für eine PDF-Aufgabe das Dokument bereit und benennen Sie die zu prüfenden Abschnitte oder Aussagen. Eine nützliche Frage verlangt einen quellenbezogenen Vergleich, eine Extraktion oder eine Erklärung, statt lediglich eine allgemeine Zusammenfassung einer großen Datei anzufordern.
Die genaue Vorschauspezifikation nennt ein Eingabelimit von 1.048.576 Tokens und ein Ausgabelimit von 65.536 Tokens. Der Hersteller nennt Jänner 2025 als Wissensstand; stellen Sie neuere Belege bereit, wenn die Frage von späteren Ereignissen oder Informationen abhängt. Dies sind unterschiedliche Budgets. Ein großer Quellenbestand kann für eine gezielte Antwort gelesen werden, ohne dass das Modell jeden Teil der Eingabe wiedergeben muss.
Ordnen Sie langes Material so, dass seine Struktur klar erkennbar ist: Dokumenttitel, Abschnittsgrenzen, Codepfade und die Frage, die die Ausgabe beantworten muss. Halten Sie relevante Ausnahmen und Definitionen nahe bei den Inhalten, auf die sie sich beziehen. Benötigt eine Aufgabe einen langen Bericht, legen Sie dessen Abschnitte und die darin jeweils erwarteten Belege fest.
Ein großes Kontextfenster garantiert weder, dass jedes Detail gleich viel Aufmerksamkeit erhält, noch, dass jede Schlussfolgerung richtig ist. Google nennt zudem eine mögliche Qualitätsverschlechterung in Gesprächen mit mehreren Runden; prüfen Sie wichtige Quellenfakten und wiederverwendeten Kontext im Verlauf eines Austauschs. Gleichen Sie die Antwort mit den konkreten Passagen oder Materialien ab, die ihre wesentlichen Aussagen stützen.
Zu den vorgesehenen Anwendungen des Herstellers gehören anspruchsvolle Programmier- und Algorithmenaufgaben. Stellen Sie den relevanten Quellcode, Annahmen zur Umgebung, den beobachteten Fehler und das erwartete Verhalten bereit. Definieren Sie bei einer Algorithmusaufgabe die Eingabe, die gewünschte Ausgabe und Bedingungen etwa zur Reihenfolge, zu Duplikaten oder ungültigen Daten.
Ein nützliches Debugging-Briefing verbindet die fehlschlagende Eingabe und Fehlermeldung mit dem kleinsten relevanten Quellcodebereich. Verlangen Sie eine Diagnose und eine gezielte Änderung und prüfen Sie anschließend, ob die vorgeschlagene Änderung das gemeldete Verhalten behebt. Generierter Code und die Behauptung, er sollte funktionieren, unterscheiden sich von einer ausgeführten und überprüften Implementierung.
Verwenden Sie bei einer umfassenderen Repository-Frage das Eingabebudget, um die nötigen Dateien mit klaren Pfadangaben bereitzustellen. Geben Sie an, ob das gewünschte Ergebnis eine Erklärung, ein Änderungsvorschlag oder eine Analyse von Alternativen ist, damit das Resultat einen konkreten Zweck erfüllt.
Die Herstellerspezifikation der Vorschau unterstützt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding und URL-Kontext. Diese Funktionen haben unterschiedliche Aufgaben. Ein Funktionsaufruf beschreibt einen Vorgang, den eine Anwendung ausführen soll; ein Werkzeugergebnis liefert anschließend Belege für den folgenden Modellschritt. Codeausführung ist ein Werkzeugablauf und keine Garantie dafür, dass beliebiger generierter Anwendungscode bereits getestet wurde.
Such-Grounding und URL-Kontext ermöglichen quellenorientierte Abläufe, während die Dateisuche mit einer vorbereiteten Dateisammlung arbeitet. Bewahren Sie Werkzeugergebnisse und Quellenzuordnungen gemeinsam mit der Antwort auf, damit sich eine Schlussfolgerung prüfen lässt. Laut Spezifikation unterstützt das Profil weder Computer Use noch Maps-Grounding.
Die Unterstützung strukturierter Ausgaben kann ein Ergebnis in einem definierten Schema ausdrücken. Legen Sie die Felder und ihre Bedeutung vor der Generierung fest und prüfen Sie sowohl die Inhalte als auch das Format. Auch ein gültiges strukturiertes Objekt benötigt eine sachliche und aufgabenspezifische Kontrolle.
Diese Vorschau unterstützt Thinking. Verwenden Sie für Aufgaben mit mehreren Denkschritten eine klare Aufgabenstellung, relevante Belege und ausdrückliche Einschränkungen. Das Ergebnis sollte Annahmen und die nützliche Schlussfolgerung erklären; verborgenes Schlussfolgern oder das Vorhandensein eines Thinking-Modus sind für sich genommen keine Überprüfung.
Der Hersteller nennt auch Unterstützung für Caching und Batch-Verarbeitung. Dies sind Verarbeitungsfunktionen, die von den inhaltlichen Fähigkeiten des Modells getrennt sind; ihr Vorhandensein belegt weder, dass eine bestimmte Anfrage gecacht wurde, noch, dass ein Batch-Ergebnis richtig ist.
Halten Sie Gemini 3 Pro Preview von Gemini 3.1 Pro Preview, Gemini 3 Pro Image sowie den Audio- oder Live-Profilen getrennt. Die Ausgabe dieser Vorschau ist Text; ihre Spezifikation umfasst keine Bildgenerierung, Audiogenerierung oder Live-Verarbeitung. Prüfen Sie die zurückgegebene Antwort, den Code oder das strukturierte Ergebnis anhand des bereitgestellten Quellenbestands und der beabsichtigten Aufgabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.024 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3-pro-preview","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3-pro-preview", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gemini-3-pro-preview
/chat/completions
gemini-3-pro-previewGemini 3 Pro Preview ist Googles multimodales Reasoning-Modell für Text, Bilder, Audio, Video und PDFs mit Textausgabe. Sein großes Eingabebudget, seine Programmierfähigkeiten und unterstützten Werkzeugabläufe eignen sich für detaillierte Analysen, Dokumentenvergleiche und beleggestützte Aufgabenausführung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3 Pro Preview ist Googles benanntes Vorschauprofil von Gemini 3 Pro für multimodales Schlussfolgern und Textgenerierung. Es kann mit Text, Bildern, Audio, Video und PDF-Dokumenten arbeiten und ein schriftliches Ergebnis zurückgeben. Zu den vorgesehenen Anwendungen zählen komplexe Analysen, anspruchsvolle Programmierung, Algorithmenentwicklung und Aufgaben, die einen umfangreichen Quellenbestand mit einer konkreten Frage verbinden.
Gemini 3 Pro ist ein transformerbasiertes Sparse-Mixture-of-Experts-Modell mit nativer Unterstützung multimodaler Eingaben. Seine Architektur leitet jedes Token durch eine ausgewählte Teilmenge von Experten. Dies ist ein Unterschied im Modelldesign und keine Benutzersteuerung zur Auswahl eines bestimmten Experten oder zur Festlegung einer Bereitstellungskonfiguration.
Bereiten Sie die Eingaben anhand des Informationsbedarfs der Aufgabe vor. Ein Dokument, ein Screenshot und eine Audioaufnahme können jeweils andere Belege liefern. Kennzeichnen Sie, was jedes Material enthält und wie es zur Antwort beitragen soll. Die Ausgabe bleibt Text; das Verständnis visueller oder gesprochener Inhalte macht diese Vorschau nicht zu einem Bild-, Sprach- oder Videogenerator.
Verwenden Sie Bilder für Fragen zu sichtbaren Inhalten, Audio für gesprochene oder akustische Informationen und Video für einen Ablauf, dessen Veränderungen im Zeitverlauf wichtig sind. Fügen Sie das tatsächliche Material der Frage bei, statt es nur aus dem Gedächtnis zu beschreiben. Kennzeichnen Sie mehrere Materialien bei einem Vergleich eindeutig, damit sich die Antwort auf die richtige Quelle beziehen kann.
Ein Briefing für eine Produktanalyse kann beispielsweise eine schriftliche Spezifikation, einen Screenshot der Oberfläche und eine aufgezeichnete Demonstration verbinden. Verlangen Sie einen Vergleich, der die Zusagen der Spezifikation von dem trennt, was im bereitgestellten Material sichtbar oder hörbar ist. Definieren Sie das gewünschte Ergebnis als Feststellungen, stützende Beobachtungen und offene Fragen.
Stellen Sie für eine PDF-Aufgabe das Dokument bereit und benennen Sie die zu prüfenden Abschnitte oder Aussagen. Eine nützliche Frage verlangt einen quellenbezogenen Vergleich, eine Extraktion oder eine Erklärung, statt lediglich eine allgemeine Zusammenfassung einer großen Datei anzufordern.
Die genaue Vorschauspezifikation nennt ein Eingabelimit von 1.048.576 Tokens und ein Ausgabelimit von 65.536 Tokens. Der Hersteller nennt Jänner 2025 als Wissensstand; stellen Sie neuere Belege bereit, wenn die Frage von späteren Ereignissen oder Informationen abhängt. Dies sind unterschiedliche Budgets. Ein großer Quellenbestand kann für eine gezielte Antwort gelesen werden, ohne dass das Modell jeden Teil der Eingabe wiedergeben muss.
Ordnen Sie langes Material so, dass seine Struktur klar erkennbar ist: Dokumenttitel, Abschnittsgrenzen, Codepfade und die Frage, die die Ausgabe beantworten muss. Halten Sie relevante Ausnahmen und Definitionen nahe bei den Inhalten, auf die sie sich beziehen. Benötigt eine Aufgabe einen langen Bericht, legen Sie dessen Abschnitte und die darin jeweils erwarteten Belege fest.
Ein großes Kontextfenster garantiert weder, dass jedes Detail gleich viel Aufmerksamkeit erhält, noch, dass jede Schlussfolgerung richtig ist. Google nennt zudem eine mögliche Qualitätsverschlechterung in Gesprächen mit mehreren Runden; prüfen Sie wichtige Quellenfakten und wiederverwendeten Kontext im Verlauf eines Austauschs. Gleichen Sie die Antwort mit den konkreten Passagen oder Materialien ab, die ihre wesentlichen Aussagen stützen.
Zu den vorgesehenen Anwendungen des Herstellers gehören anspruchsvolle Programmier- und Algorithmenaufgaben. Stellen Sie den relevanten Quellcode, Annahmen zur Umgebung, den beobachteten Fehler und das erwartete Verhalten bereit. Definieren Sie bei einer Algorithmusaufgabe die Eingabe, die gewünschte Ausgabe und Bedingungen etwa zur Reihenfolge, zu Duplikaten oder ungültigen Daten.
Ein nützliches Debugging-Briefing verbindet die fehlschlagende Eingabe und Fehlermeldung mit dem kleinsten relevanten Quellcodebereich. Verlangen Sie eine Diagnose und eine gezielte Änderung und prüfen Sie anschließend, ob die vorgeschlagene Änderung das gemeldete Verhalten behebt. Generierter Code und die Behauptung, er sollte funktionieren, unterscheiden sich von einer ausgeführten und überprüften Implementierung.
Verwenden Sie bei einer umfassenderen Repository-Frage das Eingabebudget, um die nötigen Dateien mit klaren Pfadangaben bereitzustellen. Geben Sie an, ob das gewünschte Ergebnis eine Erklärung, ein Änderungsvorschlag oder eine Analyse von Alternativen ist, damit das Resultat einen konkreten Zweck erfüllt.
Die Herstellerspezifikation der Vorschau unterstützt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding und URL-Kontext. Diese Funktionen haben unterschiedliche Aufgaben. Ein Funktionsaufruf beschreibt einen Vorgang, den eine Anwendung ausführen soll; ein Werkzeugergebnis liefert anschließend Belege für den folgenden Modellschritt. Codeausführung ist ein Werkzeugablauf und keine Garantie dafür, dass beliebiger generierter Anwendungscode bereits getestet wurde.
Such-Grounding und URL-Kontext ermöglichen quellenorientierte Abläufe, während die Dateisuche mit einer vorbereiteten Dateisammlung arbeitet. Bewahren Sie Werkzeugergebnisse und Quellenzuordnungen gemeinsam mit der Antwort auf, damit sich eine Schlussfolgerung prüfen lässt. Laut Spezifikation unterstützt das Profil weder Computer Use noch Maps-Grounding.
Die Unterstützung strukturierter Ausgaben kann ein Ergebnis in einem definierten Schema ausdrücken. Legen Sie die Felder und ihre Bedeutung vor der Generierung fest und prüfen Sie sowohl die Inhalte als auch das Format. Auch ein gültiges strukturiertes Objekt benötigt eine sachliche und aufgabenspezifische Kontrolle.
Diese Vorschau unterstützt Thinking. Verwenden Sie für Aufgaben mit mehreren Denkschritten eine klare Aufgabenstellung, relevante Belege und ausdrückliche Einschränkungen. Das Ergebnis sollte Annahmen und die nützliche Schlussfolgerung erklären; verborgenes Schlussfolgern oder das Vorhandensein eines Thinking-Modus sind für sich genommen keine Überprüfung.
Der Hersteller nennt auch Unterstützung für Caching und Batch-Verarbeitung. Dies sind Verarbeitungsfunktionen, die von den inhaltlichen Fähigkeiten des Modells getrennt sind; ihr Vorhandensein belegt weder, dass eine bestimmte Anfrage gecacht wurde, noch, dass ein Batch-Ergebnis richtig ist.
Halten Sie Gemini 3 Pro Preview von Gemini 3.1 Pro Preview, Gemini 3 Pro Image sowie den Audio- oder Live-Profilen getrennt. Die Ausgabe dieser Vorschau ist Text; ihre Spezifikation umfasst keine Bildgenerierung, Audiogenerierung oder Live-Verarbeitung. Prüfen Sie die zurückgegebene Antwort, den Code oder das strukturierte Ergebnis anhand des bereitgestellten Quellenbestands und der beabsichtigten Aufgabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.024 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-3-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gemini-3-pro-preview
/chat/completions