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": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5ac755706dc1c1bcd3de6534f403dbe8f3af3c69477fd9cd77fe4cd9f618ac61", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "google/gemini-2.5-pro:batchGemini 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/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-2.5-pro:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits google/gemini-2.5-pro:batch, google/gemini-2.5-pro | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits google-vertex/global | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
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 $0.00125 / 1K Tokens Ausgabe · Ausgabetoken $0.01 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich200'000 | Gebühr Eingabe · Eingabetoken $0.00125 / 1K Tokens Ausgabe · Ausgabetoken $0.01 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.015 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"google/gemini-2.5-pro:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['google/gemini-2.5-pro:batch', 'google/gemini-2.5-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-2.5-pro:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra google/gemini-2.5-pro:batch
Verwenden Sie die oben angezeigten Methodenpfade.