Gemini 2.5 Flash-Lite ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
", "aboutText": "Gemini 2.5 Flash-Lite ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.\n\nDefinieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.\n\nDenken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.\n\nStellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.\n\nDie genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.\n\nDie native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.\n\nDieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.\n\nDie Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Translate a pickup instruction\n\nTranslate this pickup instruction into French for a customer: "Collect order AR-62 at reception between 14:00 and 17:00. Bring the pickup code. Do not send the code by email." Keep AR-62 and the time range unchanged. Return only the translation, preserving both the required action and the warning.One French translation with the original order ID and time range, without commentary.Check the order ID, both times and the prohibition on emailing the code against the source.gemini-2.5-flash-liteGemini 2.5 Flash-Lite ist Googles stabiles multimodales Textmodell für häufige Klassifikation, Übersetzung und einfache Extraktion. Denken ist standardmässig ausgeschaltet und lässt sich mit einem Denkbudget von 512–24’576 Token aktivieren. Es verarbeitet Text und Medien und bietet Werkzeuge, strukturierte Ausgaben und eine Eingabegrenze von 1’048’576 Token.
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 ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
Text + Bild
{type:image,source:{type:base64,media_type,data}} oder Quelle mit type=url
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-2.5-flash-lite",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-2.5-flash-lite",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gemini-2.5-flash-lite',max_tokens=1024,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_message()\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 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
gemini-2.5-flash-liteGemini 2.5 Flash-Lite ist Googles stabiles multimodales Textmodell für häufige Klassifikation, Übersetzung und einfache Extraktion. Denken ist standardmässig ausgeschaltet und lässt sich mit einem Denkbudget von 512–24’576 Token aktivieren. Es verarbeitet Text und Medien und bietet Werkzeuge, strukturierte Ausgaben und eine Eingabegrenze von 1’048’576 Token.
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 ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
POST /v1beta/models/{model}:generateContenttext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldpath.model | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite | Standard— |
Feldcontents | Typcontent[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldcontents[].role | Typstring | AnforderungOptional | Werte und Limits user, model | Standard— |
Feldcontents[].parts | Typpart[] | AnforderungErforderlich | Werte und Limits | Standard— |
FeldsystemInstruction | Typcontent | AnforderungOptional | Werte und Limits | Standard— |
FeldgenerationConfig.maxOutputTokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
FeldgenerationConfig.temperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.topP | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.topK | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.stopSequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.thinkingConfig.includeThoughts | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.thinkingConfig.thinkingBudget | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].functionDeclarations | Typfunction_declaration[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldtoolConfig.functionCallingConfig.mode | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldsafetySettings | Typobject[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldsessionId | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Text · UTF8-Text
contents[].parts[].text
Text + Bild
parts[].inlineData={mimeType,data}
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragcontents |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1beta/models/{model}:generateContentAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-2.5-flash-lite", contents="Explain the difference between an observation and a hypothesis 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(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-2.5-flash-lite", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\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=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\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\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-2.5-flash-lite',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson oder unterstütztes Streaming
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Kandidaten und Teile einschliesslich Funktionsaufrufen, Gedankensignaturen und Verbrauchsdaten beibehalten; Streaming-Abschnitte in der richtigen Reihenfolge zusammensetzen.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
FeldresponseId | Typstring |
FeldmodelVersion | Typstring |
Feldcandidates[].content.parts[] | Typtext|inlineData|functionCall|other part |
Feldcandidates[].finishReason | Typstring |
FeldusageMetadata | 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
gemini-2.5-flash-liteGemini 2.5 Flash-Lite ist Googles stabiles multimodales Textmodell für häufige Klassifikation, Übersetzung und einfache Extraktion. Denken ist standardmässig ausgeschaltet und lässt sich mit einem Denkbudget von 512–24’576 Token aktivieren. Es verarbeitet Text und Medien und bietet Werkzeuge, strukturierte Ausgaben und eine Eingabegrenze von 1’048’576 Token.
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 ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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","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-2.5-flash-lite", 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
gemini-2.5-flash-liteGemini 2.5 Flash-Lite ist Googles stabiles multimodales Textmodell für häufige Klassifikation, Übersetzung und einfache Extraktion. Denken ist standardmässig ausgeschaltet und lässt sich mit einem Denkbudget von 512–24’576 Token aktivieren. Es verarbeitet Text und Medien und bietet Werkzeuge, strukturierte Ausgaben und eine Eingabegrenze von 1’048’576 Token.
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 ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-2.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
google/gemini-2.5-flash-liteGemini 2.5 Flash-Lite ist Googles stabiles multimodales Textmodell für häufige Klassifikation, Übersetzung und einfache Extraktion. Denken ist standardmässig ausgeschaltet und lässt sich mit einem Denkbudget von 512–24’576 Token aktivieren. Es verarbeitet Text und Medien und bietet Werkzeuge, strukturierte Ausgaben und eine Eingabegrenze von 1’048’576 Token.
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 ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-2.5-flash-lite | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-2.5-flash-lite", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemini-2.5-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemini-2.5-flash-lite',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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
google/gemini-2.5-flash-liteGemini 2.5 Flash-Lite ist Googles stabiles multimodales Textmodell für häufige Klassifikation, Übersetzung und einfache Extraktion. Denken ist standardmässig ausgeschaltet und lässt sich mit einem Denkbudget von 512–24’576 Token aktivieren. Es verarbeitet Text und Medien und bietet Werkzeuge, strukturierte Ausgaben und eine Eingabegrenze von 1’048’576 Token.
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 ist Googles stabiles, schlankes Profil für Übersetzung, Klassifikation und einfache Datenextraktion in grossem Umfang. Sein hybrider Denkprozess kann je nach Aufgabe Denken nutzen oder auslassen. Es verarbeitet Text, Bilder, Audio, Video und PDF und erzeugt Text. Ein hilfreiches Ergebnis ist eine Kategorie, eine knappe Übersetzung, ein aus bereitgestelltem Material extrahierter Datensatz oder eine klar begrenzte schriftliche Erklärung.
Definieren Sie für Klassifikation die Kategorien, Entscheidungsregel und Antwortform. Erhalten Sie im Ergebnis die Quellkennung, wenn mehrere unabhängige Elemente verarbeitet werden. Klassifizieren Sie für die Einordnung von Supportnachrichten eine Nachricht nach Problemart und geben Sie den Satz zurück, der die Kategorie stützt. Fügen Sie eine Regel für fehlende oder mehrdeutige Belege hinzu, damit eine flüssige Antwort kein Pflichtfeld mit einer Vermutung füllt. Die schlanke Rolle des Modells ist besonders hilfreich, wenn Eingabe und benötigtes Ergebnis klar bestimmt sind.
Denken ist in der dokumentierten Konfiguration von 2.5 Flash-Lite standardmässig ausgeschaltet. Googles GenerateContent-Denkleitfaden erlaubt ein ausdrückliches Denkbudget von 512 bis 24’576 Token, null zum Beibehalten des ausgeschalteten Denkens und -1 zum Anfordern dynamischen Denkens. Dies sind Denkbudgetsteuerungen, getrennt vom Budget der abschliessenden Antwort. Aktivieren Sie zusätzliches Denken bei einer Extraktion mit zusammenwirkenden Bedingungen oder einer Klassifikation mit Ausnahmen; eine einfache Umwandlung kann das standardmässige Verhalten ohne Denken beibehalten. Der Leitfaden weist darauf hin, dass das Modell mehr oder weniger Denktoken als das verlangte Budget verwenden kann.
Stellen Sie für eine Übersetzung die Zielsprache, Leserschaft und zu erhaltenden Begriffe bereit. Legen Sie fest, ob das Ergebnis nur die Übersetzung oder einen gekennzeichneten Datensatz enthalten soll. Definieren Sie für Dokumentextraktion die Felder und verlangen Sie Quellpassagen, anhand derer die Ausgabe geprüft werden kann. Unterscheiden Sie bei einer Aufnahme ein Transkript von einer Zusammenfassung und benennen Sie die wichtige Passage. Bilder oder Video können Belege für eine Textantwort liefern. Das gewünschte Ergebnis sollte klar bleiben, auch wenn die Eingabe mehrere Medienarten verbindet.
Die genaue stabile Tabelle nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Funktionen benötigen einen klaren Zweck und definierte Parameter; die angebundene Anwendung führt den Vorgang aus und liefert sein Ergebnis. Validieren Sie bei schemabasierter Extraktion die zurückgegebene Struktur und vergleichen Sie ihre Werte mit dem Originalmaterial. Eine Werkzeugentscheidung oder ein wohlgeformter Datensatz ist nur im Kontext der Quelle und tatsächlich zurückgegebener Belege hilfreich.
Die native Modellkarte nennt ein Kontextfenster von 1M und 64K Textausgabe. Die API-Modellseite legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Gesprächsverlauf verbrauchen das Eingabebudget, während Denkprozess und Antwortgrenze beeinflussen, ob das Endergebnis passt. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil aufgeführt. Erhalten Sie bei wiederholten Aufgaben dieselben Kategorie- oder Felddefinitionen und übernehmen Sie Kennungen in das Ergebnis, damit eine spätere Prüfung das Ursprungselement finden kann.
Dieses stabile Profil ist von den andernorts in der Familie beschriebenen Juni- und September-Preview-Varianten getrennt. Die gemeinsame native Modellkarte kennzeichnet Verbesserungen der September Preview, einschliesslich Anweisungsbefolgung und Knappheit, ausdrücklich für diese Vorschau; sie sollten nicht stillschweigend auf die stabile Kennung übertragen werden. Spätere Flash-Lite-Generationen verwenden ebenfalls andere Denksteuerungen und Fähigkeitentabellen. Erhalten Sie die Edition und wählen Sie die dafür dokumentierten Einstellungen, statt 2.5-Budgets durch die Denkstufensyntax von Gemini 3 zu ersetzen.
Die Karte nennt Halluzinationen und Grenzen beim Kausalverständnis, komplexen logischen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie aktuelle Belege bereit oder verwenden Sie einen dokumentierten Grounding-Ablauf, wenn neuere Tatsachen wichtig sind. Prüfen Sie Übersetzungen auf Bedeutung, extrahierte Felder auf Quellenstützung und Transkripte anhand des Audios. Ein gezieltes kleines Ergebnis macht diese Prüfung praktikabel, ohne eine ausgefeilte Antwort als Nachweis dafür zu behandeln, dass die Quelle das behauptete Detail enthielt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-2.5-flash-lite | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.0001666666666666666 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemini-2.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-2.5-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-2.5-flash-lite', '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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
Technisches Beispiel auf Englisch
Translate a pickup instruction\n\nTranslate this pickup instruction into French for a customer: "Collect order AR-62 at reception between 14:00 and 17:00. Bring the pickup code. Do not send the code by email." Keep AR-62 and the time range unchanged. Return only the translation, preserving both the required action and the warning.One French translation with the original order ID and time range, without commentary.Check the order ID, both times and the prohibition on emailing the code against the source.