Gemini 2.5 Flash-Lite Preview 06-17 ist Googles Juni-Vorschauausgabe von Flash-Lite für häufige, latenzempfindliche Aufgaben wie die Klassifikation von Nachrichten und Zusammenfassungen grosser Materialmengen. Sie gehört zur Gemini 2.5-Familie mit Denkfunktion und bewahrt zugleich einen direkten Antwortweg für einfache Aufgaben. Die datierte Preview-Bezeichnung kennzeichnet diese Veröffentlichung getrennt vom stabilen Flash-Lite und der späteren Septembervorschau, deren Verbesserungen bei Anweisungsbefolgung und multimodalem Verständnis zu ihrer eigenen Ausgabe gehören.
Die Juniveröffentlichung stellt Klassifikation und Zusammenfassung in den Mittelpunkt der vorgesehenen Verwendung. Eine hilfreiche Eingabe für die Klassifikation enthält die Nachricht, die zulässigen Kategorien und Beispiele für deren Grenzen. Die Ausgabe kann eine Kategorie, eine kurze Begründung und die für den nächsten Verarbeitungsschritt benötigten Informationen enthalten. Eine Zusammenfassungsaufgabe kann Entscheidungen, Aufgaben, genannte Fristen und offene Fragen vorgeben, die erhalten bleiben sollen. Dies sind praktische Anwendungen des erklärten Zwecks: Sie geben einer wiederholten Operation eine klare Eingabe und ein kompaktes Ergebnis, statt einen offenen Aufsatz zu verlangen.
Schlussfolgern ist in dieser Flash-Lite-Junivorschau verfügbar, aber standardmässig ausgeschaltet. Google beschreibt ein steuerbares Denkbudget, das einer Aufgabe bei Bedarf zusätzliche Denkarbeit ermöglicht. Behalten Sie den direkten Weg für einfache Kategorisierung oder Kürzung bei. Verwenden Sie eine Aufgabe mit Schlussfolgern für überlappende Kategorien, Ausnahmen oder eine Frage, die mehrere voneinander abhängige Schlussfolgerungen benötigt. Geben Sie an, welche Bedingungen verbindlich sind und was als richtige Antwort gilt. Schlussfolgern ist eine Fähigkeit zur Aufgabenverarbeitung; eine längere Erklärung belegt allein nicht, dass die Schlussfolgerung richtig ist.
Googles technischer Bericht nennt dieses Junimodell ausdrücklich und dokumentiert multimodale Eingaben sowie eine Kontextlänge von einer Million Token. Sein Ergebnis ist Text. Der Kontext bietet innerhalb derselben Aufgabe Platz für Quellenmaterial, Anweisungen und Beispiele. Weisen Sie jedem Dokument oder Abschnitt eine klare Rolle zu und benennen Sie anschliessend, was das Modell extrahieren oder vergleichen soll. Trennen Sie für einen Dokumentassistenten die Frage vom Quellentext und verlangen Sie ein Ergebnis, das auf die relevanten Passagen verweist. Definieren Sie für einen Extraktionsschritt die Felder und die Darstellung von Informationen, die im Material fehlen. Dies ist eine Kontextfähigkeit und kein Versprechen, dass unverbundene Inhalte allein durch ihre Aufnahme nützlich werden.
Die Juniankündigung nennt native Tools für Suchanbindung, Codeausführung und URL-Kontext sowie Funktionsaufrufe. Die Suchanbindung ergänzt eine Antwort um Webinformationen. URL-Kontext verwendet die Inhalte bereitgestellter Seiten für Aufgaben wie den Vergleich von Dokumenten oder die Extraktion von Details. Googles Tool zur Codeausführung erzeugt und führt Python-Code für Berechnungen oder Textverarbeitung aus und verwendet das Ausführungsergebnis in der Antwort. Funktionsaufrufe haben eine andere Rolle: Das Modell wählt eine deklarierte Funktion und deren Argumente, während die verbundene Anwendung sie ausführt und das Ergebnis zurückgibt. Definieren Sie den Zweck der Funktion und die zulässigen Parameter, damit eine toolgestützte Aufgabe einen ausdrücklichen nächsten Schritt hat.
Bereiten Sie für einen wiederkehrenden Ablauf eine kleine Auswahl repräsentativer Eingaben vor, bevor Sie dieselbe Anweisung auf eine grössere Sammlung anwenden. Nehmen Sie einen gewöhnlichen Fall, einen mehrdeutigen Fall und einen Fall mit fehlenden Informationen auf. Ein Beispiel für den Kundensupport kann ein Thema, die tatsächliche Frage des Kunden und eine Antwort verlangen, die ausschliesslich auf einer beigefügten Referenzpassage beruht. Ein Beispiel für Korrespondenz kann eine Aufgabenliste mit einer Handlung, der auftraggebenden Person und einer Frist verlangen, sofern diese genannt ist. Halten Sie die angeforderten Felder von erklärender Prosa getrennt, damit der resultierende Text anhand des ursprünglichen Eintrags geprüft werden kann.
Die Modellkarte der Flash-Lite-Familie benennt mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Sie weist auch darauf hin, dass die Einhaltung eines Denkbudgets uneinheitlich sein kann. Behandeln Sie dies als konkrete Prüfpunkte: Vergleichen Sie extrahierte Fakten mit der Quelle, prüfen Sie voneinander abhängige Berechnungen und unterscheiden Sie eine beobachtete Aussage von einer abgeleiteten Erklärung. Das nützliche fertige Arbeitsergebnis ist eine kompakte Klassifikation, Zusammenfassung, Extraktion oder Antwort, deren erforderliche Fakten und fehlende Informationen geprüft werden können. Diese Juniausgabe ist eine eigenständige Wahl für die Textverarbeitung; spätere Vorschau-Spezifikationen definieren ihre dokumentierte Identität nicht neu.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 06-17 ist Googles Juni-Vorschauausgabe von Flash-Lite für häufige, latenzempfindliche Aufgaben wie die Klassifikation von Nachrichten und Zusammenfassungen grosser Materialmengen. Sie gehört zur Gemini 2.5-Familie mit Denkfunktion und bewahrt zugleich einen direkten Antwortweg für einfache Aufgaben. Die datierte Preview-Bezeichnung kennzeichnet diese Veröffentlichung getrennt vom stabilen Flash-Lite und der späteren Septembervorschau, deren Verbesserungen bei Anweisungsbefolgung und multimodalem Verständnis zu ihrer eigenen Ausgabe gehören.\n\nDie Juniveröffentlichung stellt Klassifikation und Zusammenfassung in den Mittelpunkt der vorgesehenen Verwendung. Eine hilfreiche Eingabe für die Klassifikation enthält die Nachricht, die zulässigen Kategorien und Beispiele für deren Grenzen. Die Ausgabe kann eine Kategorie, eine kurze Begründung und die für den nächsten Verarbeitungsschritt benötigten Informationen enthalten. Eine Zusammenfassungsaufgabe kann Entscheidungen, Aufgaben, genannte Fristen und offene Fragen vorgeben, die erhalten bleiben sollen. Dies sind praktische Anwendungen des erklärten Zwecks: Sie geben einer wiederholten Operation eine klare Eingabe und ein kompaktes Ergebnis, statt einen offenen Aufsatz zu verlangen.\n\nSchlussfolgern ist in dieser Flash-Lite-Junivorschau verfügbar, aber standardmässig ausgeschaltet. Google beschreibt ein steuerbares Denkbudget, das einer Aufgabe bei Bedarf zusätzliche Denkarbeit ermöglicht. Behalten Sie den direkten Weg für einfache Kategorisierung oder Kürzung bei. Verwenden Sie eine Aufgabe mit Schlussfolgern für überlappende Kategorien, Ausnahmen oder eine Frage, die mehrere voneinander abhängige Schlussfolgerungen benötigt. Geben Sie an, welche Bedingungen verbindlich sind und was als richtige Antwort gilt. Schlussfolgern ist eine Fähigkeit zur Aufgabenverarbeitung; eine längere Erklärung belegt allein nicht, dass die Schlussfolgerung richtig ist.\n\nGoogles technischer Bericht nennt dieses Junimodell ausdrücklich und dokumentiert multimodale Eingaben sowie eine Kontextlänge von einer Million Token. Sein Ergebnis ist Text. Der Kontext bietet innerhalb derselben Aufgabe Platz für Quellenmaterial, Anweisungen und Beispiele. Weisen Sie jedem Dokument oder Abschnitt eine klare Rolle zu und benennen Sie anschliessend, was das Modell extrahieren oder vergleichen soll. Trennen Sie für einen Dokumentassistenten die Frage vom Quellentext und verlangen Sie ein Ergebnis, das auf die relevanten Passagen verweist. Definieren Sie für einen Extraktionsschritt die Felder und die Darstellung von Informationen, die im Material fehlen. Dies ist eine Kontextfähigkeit und kein Versprechen, dass unverbundene Inhalte allein durch ihre Aufnahme nützlich werden.\n\nDie Juniankündigung nennt native Tools für Suchanbindung, Codeausführung und URL-Kontext sowie Funktionsaufrufe. Die Suchanbindung ergänzt eine Antwort um Webinformationen. URL-Kontext verwendet die Inhalte bereitgestellter Seiten für Aufgaben wie den Vergleich von Dokumenten oder die Extraktion von Details. Googles Tool zur Codeausführung erzeugt und führt Python-Code für Berechnungen oder Textverarbeitung aus und verwendet das Ausführungsergebnis in der Antwort. Funktionsaufrufe haben eine andere Rolle: Das Modell wählt eine deklarierte Funktion und deren Argumente, während die verbundene Anwendung sie ausführt und das Ergebnis zurückgibt. Definieren Sie den Zweck der Funktion und die zulässigen Parameter, damit eine toolgestützte Aufgabe einen ausdrücklichen nächsten Schritt hat.\n\nBereiten Sie für einen wiederkehrenden Ablauf eine kleine Auswahl repräsentativer Eingaben vor, bevor Sie dieselbe Anweisung auf eine grössere Sammlung anwenden. Nehmen Sie einen gewöhnlichen Fall, einen mehrdeutigen Fall und einen Fall mit fehlenden Informationen auf. Ein Beispiel für den Kundensupport kann ein Thema, die tatsächliche Frage des Kunden und eine Antwort verlangen, die ausschliesslich auf einer beigefügten Referenzpassage beruht. Ein Beispiel für Korrespondenz kann eine Aufgabenliste mit einer Handlung, der auftraggebenden Person und einer Frist verlangen, sofern diese genannt ist. Halten Sie die angeforderten Felder von erklärender Prosa getrennt, damit der resultierende Text anhand des ursprünglichen Eintrags geprüft werden kann.\n\nDie Modellkarte der Flash-Lite-Familie benennt mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Sie weist auch darauf hin, dass die Einhaltung eines Denkbudgets uneinheitlich sein kann. Behandeln Sie dies als konkrete Prüfpunkte: Vergleichen Sie extrahierte Fakten mit der Quelle, prüfen Sie voneinander abhängige Berechnungen und unterscheiden Sie eine beobachtete Aussage von einer abgeleiteten Erklärung. Das nützliche fertige Arbeitsergebnis ist eine kompakte Klassifikation, Zusammenfassung, Extraktion oder Antwort, deren erforderliche Fakten und fehlende Informationen geprüft werden können. Diese Juniausgabe ist eine eigenständige Wahl für die Textverarbeitung; spätere Vorschau-Spezifikationen definieren ihre dokumentierte Identität nicht neu.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 ist Googles Juniausgabe für Klassifikation mit hohem Durchsatz, Zusammenfassungen und wiederholbare Textverarbeitung. Sie verbindet einen Kontext von einer Million Token mit optionalem Schlussfolgern und dokumentierten Tools für Suche, Code, URL-Kontext und Funktionsaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 2.5 Flash-Lite Preview 06-17 ist Googles Juni-Vorschauausgabe von Flash-Lite für häufige, latenzempfindliche Aufgaben wie die Klassifikation von Nachrichten und Zusammenfassungen grosser Materialmengen. Sie gehört zur Gemini 2.5-Familie mit Denkfunktion und bewahrt zugleich einen direkten Antwortweg für einfache Aufgaben. Die datierte Preview-Bezeichnung kennzeichnet diese Veröffentlichung getrennt vom stabilen Flash-Lite und der späteren Septembervorschau, deren Verbesserungen bei Anweisungsbefolgung und multimodalem Verständnis zu ihrer eigenen Ausgabe gehören.
Die Juniveröffentlichung stellt Klassifikation und Zusammenfassung in den Mittelpunkt der vorgesehenen Verwendung. Eine hilfreiche Eingabe für die Klassifikation enthält die Nachricht, die zulässigen Kategorien und Beispiele für deren Grenzen. Die Ausgabe kann eine Kategorie, eine kurze Begründung und die für den nächsten Verarbeitungsschritt benötigten Informationen enthalten. Eine Zusammenfassungsaufgabe kann Entscheidungen, Aufgaben, genannte Fristen und offene Fragen vorgeben, die erhalten bleiben sollen. Dies sind praktische Anwendungen des erklärten Zwecks: Sie geben einer wiederholten Operation eine klare Eingabe und ein kompaktes Ergebnis, statt einen offenen Aufsatz zu verlangen.
Schlussfolgern ist in dieser Flash-Lite-Junivorschau verfügbar, aber standardmässig ausgeschaltet. Google beschreibt ein steuerbares Denkbudget, das einer Aufgabe bei Bedarf zusätzliche Denkarbeit ermöglicht. Behalten Sie den direkten Weg für einfache Kategorisierung oder Kürzung bei. Verwenden Sie eine Aufgabe mit Schlussfolgern für überlappende Kategorien, Ausnahmen oder eine Frage, die mehrere voneinander abhängige Schlussfolgerungen benötigt. Geben Sie an, welche Bedingungen verbindlich sind und was als richtige Antwort gilt. Schlussfolgern ist eine Fähigkeit zur Aufgabenverarbeitung; eine längere Erklärung belegt allein nicht, dass die Schlussfolgerung richtig ist.
Googles technischer Bericht nennt dieses Junimodell ausdrücklich und dokumentiert multimodale Eingaben sowie eine Kontextlänge von einer Million Token. Sein Ergebnis ist Text. Der Kontext bietet innerhalb derselben Aufgabe Platz für Quellenmaterial, Anweisungen und Beispiele. Weisen Sie jedem Dokument oder Abschnitt eine klare Rolle zu und benennen Sie anschliessend, was das Modell extrahieren oder vergleichen soll. Trennen Sie für einen Dokumentassistenten die Frage vom Quellentext und verlangen Sie ein Ergebnis, das auf die relevanten Passagen verweist. Definieren Sie für einen Extraktionsschritt die Felder und die Darstellung von Informationen, die im Material fehlen. Dies ist eine Kontextfähigkeit und kein Versprechen, dass unverbundene Inhalte allein durch ihre Aufnahme nützlich werden.
Die Juniankündigung nennt native Tools für Suchanbindung, Codeausführung und URL-Kontext sowie Funktionsaufrufe. Die Suchanbindung ergänzt eine Antwort um Webinformationen. URL-Kontext verwendet die Inhalte bereitgestellter Seiten für Aufgaben wie den Vergleich von Dokumenten oder die Extraktion von Details. Googles Tool zur Codeausführung erzeugt und führt Python-Code für Berechnungen oder Textverarbeitung aus und verwendet das Ausführungsergebnis in der Antwort. Funktionsaufrufe haben eine andere Rolle: Das Modell wählt eine deklarierte Funktion und deren Argumente, während die verbundene Anwendung sie ausführt und das Ergebnis zurückgibt. Definieren Sie den Zweck der Funktion und die zulässigen Parameter, damit eine toolgestützte Aufgabe einen ausdrücklichen nächsten Schritt hat.
Bereiten Sie für einen wiederkehrenden Ablauf eine kleine Auswahl repräsentativer Eingaben vor, bevor Sie dieselbe Anweisung auf eine grössere Sammlung anwenden. Nehmen Sie einen gewöhnlichen Fall, einen mehrdeutigen Fall und einen Fall mit fehlenden Informationen auf. Ein Beispiel für den Kundensupport kann ein Thema, die tatsächliche Frage des Kunden und eine Antwort verlangen, die ausschliesslich auf einer beigefügten Referenzpassage beruht. Ein Beispiel für Korrespondenz kann eine Aufgabenliste mit einer Handlung, der auftraggebenden Person und einer Frist verlangen, sofern diese genannt ist. Halten Sie die angeforderten Felder von erklärender Prosa getrennt, damit der resultierende Text anhand des ursprünglichen Eintrags geprüft werden kann.
Die Modellkarte der Flash-Lite-Familie benennt mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Sie weist auch darauf hin, dass die Einhaltung eines Denkbudgets uneinheitlich sein kann. Behandeln Sie dies als konkrete Prüfpunkte: Vergleichen Sie extrahierte Fakten mit der Quelle, prüfen Sie voneinander abhängige Berechnungen und unterscheiden Sie eine beobachtete Aussage von einer abgeleiteten Erklärung. Das nützliche fertige Arbeitsergebnis ist eine kompakte Klassifikation, Zusammenfassung, Extraktion oder Antwort, deren erforderliche Fakten und fehlende Informationen geprüft werden können. Diese Juniausgabe ist eine eigenständige Wahl für die Textverarbeitung; spätere Vorschau-Spezifikationen definieren ihre dokumentierte Identität nicht neu.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite-preview-06-17 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite-preview-06-17", "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='gemini-2.5-flash-lite-preview-06-17',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='gemini-2.5-flash-lite-preview-06-17',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 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-2.5-flash-lite-preview-06-17
Verwenden Sie die oben angezeigten Methodenpfade.
gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 ist Googles Juniausgabe für Klassifikation mit hohem Durchsatz, Zusammenfassungen und wiederholbare Textverarbeitung. Sie verbindet einen Kontext von einer Million Token mit optionalem Schlussfolgern und dokumentierten Tools für Suche, Code, URL-Kontext und Funktionsaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 2.5 Flash-Lite Preview 06-17 ist Googles Juni-Vorschauausgabe von Flash-Lite für häufige, latenzempfindliche Aufgaben wie die Klassifikation von Nachrichten und Zusammenfassungen grosser Materialmengen. Sie gehört zur Gemini 2.5-Familie mit Denkfunktion und bewahrt zugleich einen direkten Antwortweg für einfache Aufgaben. Die datierte Preview-Bezeichnung kennzeichnet diese Veröffentlichung getrennt vom stabilen Flash-Lite und der späteren Septembervorschau, deren Verbesserungen bei Anweisungsbefolgung und multimodalem Verständnis zu ihrer eigenen Ausgabe gehören.
Die Juniveröffentlichung stellt Klassifikation und Zusammenfassung in den Mittelpunkt der vorgesehenen Verwendung. Eine hilfreiche Eingabe für die Klassifikation enthält die Nachricht, die zulässigen Kategorien und Beispiele für deren Grenzen. Die Ausgabe kann eine Kategorie, eine kurze Begründung und die für den nächsten Verarbeitungsschritt benötigten Informationen enthalten. Eine Zusammenfassungsaufgabe kann Entscheidungen, Aufgaben, genannte Fristen und offene Fragen vorgeben, die erhalten bleiben sollen. Dies sind praktische Anwendungen des erklärten Zwecks: Sie geben einer wiederholten Operation eine klare Eingabe und ein kompaktes Ergebnis, statt einen offenen Aufsatz zu verlangen.
Schlussfolgern ist in dieser Flash-Lite-Junivorschau verfügbar, aber standardmässig ausgeschaltet. Google beschreibt ein steuerbares Denkbudget, das einer Aufgabe bei Bedarf zusätzliche Denkarbeit ermöglicht. Behalten Sie den direkten Weg für einfache Kategorisierung oder Kürzung bei. Verwenden Sie eine Aufgabe mit Schlussfolgern für überlappende Kategorien, Ausnahmen oder eine Frage, die mehrere voneinander abhängige Schlussfolgerungen benötigt. Geben Sie an, welche Bedingungen verbindlich sind und was als richtige Antwort gilt. Schlussfolgern ist eine Fähigkeit zur Aufgabenverarbeitung; eine längere Erklärung belegt allein nicht, dass die Schlussfolgerung richtig ist.
Googles technischer Bericht nennt dieses Junimodell ausdrücklich und dokumentiert multimodale Eingaben sowie eine Kontextlänge von einer Million Token. Sein Ergebnis ist Text. Der Kontext bietet innerhalb derselben Aufgabe Platz für Quellenmaterial, Anweisungen und Beispiele. Weisen Sie jedem Dokument oder Abschnitt eine klare Rolle zu und benennen Sie anschliessend, was das Modell extrahieren oder vergleichen soll. Trennen Sie für einen Dokumentassistenten die Frage vom Quellentext und verlangen Sie ein Ergebnis, das auf die relevanten Passagen verweist. Definieren Sie für einen Extraktionsschritt die Felder und die Darstellung von Informationen, die im Material fehlen. Dies ist eine Kontextfähigkeit und kein Versprechen, dass unverbundene Inhalte allein durch ihre Aufnahme nützlich werden.
Die Juniankündigung nennt native Tools für Suchanbindung, Codeausführung und URL-Kontext sowie Funktionsaufrufe. Die Suchanbindung ergänzt eine Antwort um Webinformationen. URL-Kontext verwendet die Inhalte bereitgestellter Seiten für Aufgaben wie den Vergleich von Dokumenten oder die Extraktion von Details. Googles Tool zur Codeausführung erzeugt und führt Python-Code für Berechnungen oder Textverarbeitung aus und verwendet das Ausführungsergebnis in der Antwort. Funktionsaufrufe haben eine andere Rolle: Das Modell wählt eine deklarierte Funktion und deren Argumente, während die verbundene Anwendung sie ausführt und das Ergebnis zurückgibt. Definieren Sie den Zweck der Funktion und die zulässigen Parameter, damit eine toolgestützte Aufgabe einen ausdrücklichen nächsten Schritt hat.
Bereiten Sie für einen wiederkehrenden Ablauf eine kleine Auswahl repräsentativer Eingaben vor, bevor Sie dieselbe Anweisung auf eine grössere Sammlung anwenden. Nehmen Sie einen gewöhnlichen Fall, einen mehrdeutigen Fall und einen Fall mit fehlenden Informationen auf. Ein Beispiel für den Kundensupport kann ein Thema, die tatsächliche Frage des Kunden und eine Antwort verlangen, die ausschliesslich auf einer beigefügten Referenzpassage beruht. Ein Beispiel für Korrespondenz kann eine Aufgabenliste mit einer Handlung, der auftraggebenden Person und einer Frist verlangen, sofern diese genannt ist. Halten Sie die angeforderten Felder von erklärender Prosa getrennt, damit der resultierende Text anhand des ursprünglichen Eintrags geprüft werden kann.
Die Modellkarte der Flash-Lite-Familie benennt mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Sie weist auch darauf hin, dass die Einhaltung eines Denkbudgets uneinheitlich sein kann. Behandeln Sie dies als konkrete Prüfpunkte: Vergleichen Sie extrahierte Fakten mit der Quelle, prüfen Sie voneinander abhängige Berechnungen und unterscheiden Sie eine beobachtete Aussage von einer abgeleiteten Erklärung. Das nützliche fertige Arbeitsergebnis ist eine kompakte Klassifikation, Zusammenfassung, Extraktion oder Antwort, deren erforderliche Fakten und fehlende Informationen geprüft werden können. Diese Juniausgabe ist eine eigenständige Wahl für die Textverarbeitung; spätere Vorschau-Spezifikationen definieren ihre dokumentierte Identität nicht neu.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite-preview-06-17 | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-2.5-flash-lite-preview-06-17",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2.5-flash-lite-preview-06-17', '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-2.5-flash-lite-preview-06-17', '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-2.5-flash-lite-preview-06-17
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.