Gemini 2.5 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
", "aboutText": "Gemini 2.5 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.\n\nStellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.\n\nFormulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.\n\nDynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.\n\nBestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.\n\nDie genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.\n\nDie native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.\n\nDie stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.gemini-2.5-proGemini 2.5 Pro ist Googles stabiles Denkmodell für komplexen Code, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Werkzeugen und strukturierten Ausgaben. Sein dynamisches Denkbudget unterstützt 128–32’768 Token und lässt sich nicht vollständig deaktivieren.
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 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-pro | 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/messages| Anfrageumfang in Tokens | Eingabe | Ausgabe | Cache lesen | Cache schreiben | Cache 5 Min. | Cache 1 Stunde |
|---|---|---|---|---|---|---|
| Anfrageumfang in Tokens(0; 200'000] | Eingabe$ 0.00125 | Ausgabe$ 0.01 | Cache lesen$ 0.000125 | Cache schreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
| Anfrageumfang in Tokens(200'000; ∞) | Eingabe$ 0.0025 | Ausgabe$ 0.015 | Cache lesen$ 0.00025 | Cache schreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
Tarife in USD pro 1K Token. Ist kein Tarif festgelegt, wird der Grundtarif dieser Methode übernommen; «—» bedeutet, dass kein Grundtarif festgelegt ist.
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 →
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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationOpenAI Chat · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
set -eu\n: "${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-pro", "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-pro", "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-pro",\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-pro",\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-pro',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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro ist Googles stabiles Denkmodell für komplexen Code, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Werkzeugen und strukturierten Ausgaben. Sein dynamisches Denkbudget unterstützt 128–32’768 Token und lässt sich nicht vollständig deaktivieren.
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 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
POST /v1beta/models/{model}:generateContenttext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldpath.model | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-pro | 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}:generateContent| Anfrageumfang in Tokens | Eingabe | Ausgabe | Cache lesen | Cache schreiben | Cache 5 Min. | Cache 1 Stunde |
|---|---|---|---|---|---|---|
| Anfrageumfang in Tokens(0; 200'000] | Eingabe$ 0.00125 | Ausgabe$ 0.01 | Cache lesen$ 0.000125 | Cache schreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
| Anfrageumfang in Tokens(200'000; ∞) | Eingabe$ 0.0025 | Ausgabe$ 0.015 | Cache lesen$ 0.00025 | Cache schreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
Tarife in USD pro 1K Token. Ist kein Tarif festgelegt, wird der Grundtarif dieser Methode übernommen; «—» bedeutet, dass kein Grundtarif festgelegt ist.
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 →
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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationOpenAI Chat · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnthropic Messages · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
set -eu\n: "${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-pro: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-pro: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-pro", 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-pro", 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-pro',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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro ist Googles stabiles Denkmodell für komplexen Code, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Werkzeugen und strukturierten Ausgaben. Sein dynamisches Denkbudget unterstützt 128–32’768 Token und lässt sich nicht vollständig deaktivieren.
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 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-pro | 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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-pro","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-pro", 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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro ist Googles stabiles Denkmodell für komplexen Code, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Werkzeugen und strukturierten Ausgaben. Sein dynamisches Denkbudget unterstützt 128–32’768 Token und lässt sich nicht vollständig deaktivieren.
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 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-pro | 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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro ist Googles stabiles Denkmodell für komplexen Code, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Werkzeugen und strukturierten Ausgaben. Sein dynamisches Denkbudget unterstützt 128–32’768 Token und lässt sich nicht vollständig deaktivieren.
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 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-2.5-pro | 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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-pro", "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-pro',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-pro',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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro ist Googles stabiles Denkmodell für komplexen Code, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Werkzeugen und strukturierten Ausgaben. Sein dynamisches Denkbudget unterstützt 128–32’768 Token und lässt sich nicht vollständig deaktivieren.
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 Pro ist Googles stabiles Denkprofil für fortgeschrittene Programmierung, Mathematik, MINT-Fächer und Analysen mit langem Kontext. Es kann Text, Audio, Bilder, Video und ganze Code-Repositories verstehen; sein Gemini API-Profil akzeptiert ausserdem PDF-Eingaben. Die Ausgabe ist Text einschliesslich Code, schriftlicher Analyse oder eines strukturierten Datensatzes. Ein hilfreicher Auftrag stellt Belege bereit und verlangt ein prüfbares Ergebnis, etwa eine erläuterte Lösung, eine Feststellung zur Codebasis oder einen Vergleich mehrerer Dokumente.
Stellen Sie für die Programmierung die relevanten Dateien, das beobachtete Verhalten und die wichtige Änderung oder Frage bereit. Langer Kontext kann dem Modell helfen, Module miteinander in Beziehung zu setzen, statt aus einem einzelnen isolierten Ausschnitt zu schliessen. Bitten Sie bei der Untersuchung eines Codepfads darum, eine Kennung von einem Eingabeformular durch Verarbeitung und Speicherung nachzuverfolgen, die Stelle einer Vertragsänderung zu ermitteln und eine gezielte Korrektur vorzuschlagen. Erhalten Sie Bedingungen und verlangen Sie stützende Verweise. Eine vorgeschlagene Überarbeitung muss mit dem tatsächlichen Code und einer etwaigen Validierung durch angebundene Werkzeuge verglichen werden.
Formulieren Sie für Mathematik oder wissenschaftliche Analyse Problem, Annahmen, Einheiten und die verlangte Antwortform. Stellen Sie Daten oder Abbildungen bereit, von denen die Berechnung abhängt. Verlangen Sie das gestützte Ergebnis und Prüfungen, die es bewertbar machen, etwa Grenzfälle oder einen Vergleich mit Originalwerten. Die Denkfähigkeit des Modells beseitigt keine Mehrdeutigkeit der Aufgabenstellung. Halten Sie eine unbekannte Grösse oder unbelegte Annahme sichtbar, statt sie durch einen bequemen Wert zu ersetzen.
Dynamisches Denken ist der dokumentierte Standard. Der Gemini 2.5 GenerateContent-Leitfaden unterstützt für Pro ein ausdrückliches Denkbudget von 128 bis 32’768 Token oder -1 für adaptives Denken. Diese Edition kann Denken nicht vollständig deaktivieren. Diese Steuerungen unterscheiden sich von der Nullbudgetoption von Flash und den Denkstufeneinstellungen von Gemini 3. Das Denkbudget lenkt den Denkprozess, statt eine genaue interne Tokenanzahl zu garantieren; eine Antwortgrenze muss ausserdem Raum für das Endergebnis lassen.
Bestimmen Sie für multimodale Dokumentarbeit die Seiten, das Diagramm, den Bildbereich oder das Aufnahmeereignis, die die Antwort stützen sollen. Eine praktische Zusammenführungsaufgabe kann die konkurrierenden Aussagen mehrerer Quelldokumente, ihre stützenden Passagen und die für eine Entscheidung wichtigen Unterschiede verlangen. Bitten Sie das Modell, eine ausdrücklich genannte Tatsache von einer Schlussfolgerung zu unterscheiden. Legen Sie bei Video oder Audio fest, ob das Ergebnis eine Beschreibung, ein Transkript, eine Zusammenfassung oder ein Vergleich sein soll. Bild und Ton sind in diesem Profil Belege für ein Textergebnis.
Die genaue API-Seite dokumentiert Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Definieren Sie Funktionszwecke und Parameterfelder und erhalten Sie die tatsächlichen Ergebnisse in späteren Gesprächsschritten. Bestimmen Sie für einen schemabegrenzten Datensatz die erforderlichen Felder und die Darstellung fehlender Informationen. Die native Architektur ist ein multimodaler Sparse-Mixture-of-Experts-Transformer; dieser Modellentwurf stellt für sich weder eine externe Werkzeugausführung noch eine fertige Anwendung über den zurückgegebenen Text oder Code hinaus bereit.
Die native Modellkarte nennt 1M Eingabekontext und 64K Textausgabe; die API-Tabelle legt 1’048’576 Eingabetoken und 65’536 Ausgabetoken fest. Anweisungen, Quellinhalt und erhaltener Verlauf zählen zur Eingabevorbereitung. Ein maximales Antwortbudget umfasst Denktoken, weshalb eine zu kleine Grenze die abschliessende Antwort unterbrechen kann. Caching und Stapelverarbeitung sind dokumentiert, zusammen mit den Optionen Flex und Priority. Erhalten Sie bei der Vorbereitung unabhängiger Aufgaben mit langem Kontext jede Quellkennung und die verlangte endgültige Form.
Die stabile Kennung unterscheidet sich von den Experimental- und Preview-Editionen, die in der gemeinsamen Pro-Modellkarte getrennt behandelt werden. Schreiben Sie ihre versionsspezifischen Ergebnisse nicht allein wegen des gemeinsamen Pro-Namens diesem Profil zu. Die Karte nennt mögliche Halluzinationen und Grenzen beim Kausalverständnis, komplexen Schlussfolgern und kontrafaktischen Denken sowie einen Wissensstand bis Januar 2025. Stellen Sie bei Bedarf aktuelle Belege bereit und prüfen Sie Quellenverweise, Berechnungen und vorgeschlagene Änderungen. Die hilfreiche Ausgabe ist das verlangte belegte Text- oder Codeergebnis.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-2.5-pro | 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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens Ausgabe · Ausgabetokens für Denkprozesse $0.02 / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
Technisches Beispiel auf Englisch
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.