Gemini 2.5 Flash-Lite Preview 09-2025 ist Googles Septemberausgabe für häufige Aufgaben, die ein knappes, gezielt ausgerichtetes Textergebnis benötigen. Der Hersteller gliedert die Aktualisierung in drei Schwerpunkte: bessere Befolgung komplexer Anweisungen und Systemprompts, geringere Ausführlichkeit sowie verbesserte Übersetzung und multimodales Verständnis. Der datierte Name kennzeichnet diese Vorschau getrennt von der Flash-Lite-Vorschau im Juni, dem stabilen Modell und einem fortlaufend aktualisierten latest-Alias.
Bessere Befolgung von Anweisungen hilft bei Aufgaben mit mehreren gleichzeitig geltenden Regeln. Stellen Sie das Quellenmaterial, die Zielgruppe und das erforderliche Format bereit und trennen Sie verbindliche Inhalte von optionalen Erklärungen. Eine Aufgabe zur Verarbeitung von Supportanfragen könnte eine Kategorie, die genaue Frage des Kunden und einen nächsten Schritt verlangen, der ausschließlich auf einer bereitgestellten Referenz beruht. Eine Dokumentaufgabe kann festlegen, welche Begriffe zu erhalten sind, welche Fakten vorkommen müssen und wie fehlende Werte dargestellt werden sollen. Diese Beispiele machen aus einer ausführlichen Anweisung ein Ergebnis mit überprüfbaren Anforderungen.
Geringere Ausführlichkeit wird als Eigenschaft dieser Veröffentlichung genannt. Sie ist besonders relevant, wenn die Ausgabe ein kurzer Feldwert, eine knappe Antwort oder die nächste Eingabe in einem größeren Ablauf wird. Verlangen Sie die benötigten Informationen statt einer allgemeinen Erörterung: die Entscheidung, ihre Quelle und die offene Frage. Listen Sie für eine Zusammenfassung die Fakten und Fristen auf, die bei der Verdichtung erhalten bleiben müssen, und geben Sie Anzahl oder Zweck der Abschnitte an. Knappheit bedeutet nicht, wichtige Bedingungen wegzulassen; eine praktische Ausgabevorlage macht die erforderlichen Inhalte deutlich.
Google berichtet für diese Septemberaktualisierung von verbesserter Übersetzungsqualität, verbessertem Bildverständnis und verbesserter Audiotranskription. Benennen Sie für eine Übersetzung die Zielgruppe und ein Glossar und unterscheiden Sie unveränderte Namen von Formulierungen, die lokalisiert werden sollen. Kennzeichnen Sie bei einem Bild die zu erklärende Komponente oder Passage und beschreiben Sie die beabsichtigte Verwendung der Antwort. Verlangen Sie für eine Audiotranskription eine schriftliche Wiedergabe mit den Sprach- und Formatierungsregeln für den nächsten Schritt. Eine multimediale Quelle lässt sich auch zusammenfassen oder mit einer schriftlichen Anforderung vergleichen, wenn die Frage den relevanten Inhalt benennt.
Die genaue datierte Modellkarte führt Text, Bilder, Video, Audio und PDF als Eingaben auf; die Ausgabe ist Text. Ihre Grenzen sind 1.048.576 Eingabetoken und 65.536 Ausgabetoken, und die dokumentierte Wissensgrenze ist Januar 2025. Das große Eingabeprofil kann Material, Anweisungen und Beispiele verbinden. Kennzeichnen Sie jede Quelle und geben Sie an, welche Belege die Antwort verwenden soll. Dies ist die Flash-Lite-Ausgabe mit Textausgabe: erzeugte Sprache, erzeugte Bilder und eine Sprachoberfläche in Echtzeit gehören nicht zu ihrem aufgeführten Ausgabeprofil.
Der Hersteller dokumentiert Schlussfolgern, strukturierte Ausgaben, Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Schlussfolgern lässt sich bei einer Aufgabe mit voneinander abhängigen Bedingungen einsetzen; eine strukturierte Antwort kann Felder für Extraktion oder Klassifikation liefern. Ein Funktionsaufruf enthält einen vorgeschlagenen Funktionsnamen und Argumente, während die Anwendung die Funktion ausführt und das Ergebnis zurückgibt. Googles Tool zur Codeausführung verwendet Python; Such- und Dokumenttools liefern externes Material für eine fundierte schriftliche Antwort. Das genaue Profil umfasst auch Unterstützung für Caching und Stapelverarbeitung. Dies sind dokumentierte Modellfähigkeiten und keine Behauptung, dass eine bestimmte Anwendung jedes Tool aktiviert oder alle in einer Anfrage kombiniert hat.
Die Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem multimodalem Verständnis. Das Vortraining umfasst Webtexte, Programmiersprachen, Bilder, Audio und Video. Das anschließende Training verwendet geprüfte Paare aus Anweisungen und Antworten, Informationen über menschliche Präferenzen und Daten zum Tooleinsatz. Zur Aufbereitung gehören Deduplizierung sowie Sicherheits- und Qualitätsfilter. Dieselbe Karte benennt mögliche erfundene Fakten, Schwierigkeiten beim kausalen und kontrafaktischen Denken, Grenzen bei komplexen logischen Schlussfolgerungen und uneinheitliche Einhaltung von Denkbudgets. Sie hält auch fest, dass manche Antworten übermäßig belehrend wirken. Das sind wesentliche Prüfpunkte für ein Modell zur knappen Verarbeitung.
Bereiten Sie für eine wiederholte Aufgabe repräsentative gewöhnliche, mehrdeutige und unvollständige Eingaben vor. Vergleichen Sie bei Übersetzungen die Terminologie, die Bedeutung und das verlangte Format mit ausschließlicher Ausgabe des Ergebnisses. Vergleichen Sie bei Transkription oder Dokumentextraktion die zurückgegebenen Details mit dem bereitgestellten Material und kennzeichnen Sie, was nicht festgestellt werden konnte. Prüfen Sie bei einer kurzen Antwort, ob alle verbindlichen Fakten erhalten geblieben sind. Das fertige Arbeitsergebnis kann eine übersetzte Passage, eine kompakte Zusammenfassung, extrahierte Felder oder eine Kategorie mit nächster Handlung sein. Diese Vorbereitung nutzt den besonderen Schwerpunkt der Septemberausgabe auf Anweisungsgenauigkeit, Knappheit und multimediale Verarbeitung und bindet das Ergebnis zugleich an die ursprünglichen Belege.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 09-2025 ist Googles Septemberausgabe für häufige Aufgaben, die ein knappes, gezielt ausgerichtetes Textergebnis benötigen. Der Hersteller gliedert die Aktualisierung in drei Schwerpunkte: bessere Befolgung komplexer Anweisungen und Systemprompts, geringere Ausführlichkeit sowie verbesserte Übersetzung und multimodales Verständnis. Der datierte Name kennzeichnet diese Vorschau getrennt von der Flash-Lite-Vorschau im Juni, dem stabilen Modell und einem fortlaufend aktualisierten latest-Alias.\n\nBessere Befolgung von Anweisungen hilft bei Aufgaben mit mehreren gleichzeitig geltenden Regeln. Stellen Sie das Quellenmaterial, die Zielgruppe und das erforderliche Format bereit und trennen Sie verbindliche Inhalte von optionalen Erklärungen. Eine Aufgabe zur Verarbeitung von Supportanfragen könnte eine Kategorie, die genaue Frage des Kunden und einen nächsten Schritt verlangen, der ausschließlich auf einer bereitgestellten Referenz beruht. Eine Dokumentaufgabe kann festlegen, welche Begriffe zu erhalten sind, welche Fakten vorkommen müssen und wie fehlende Werte dargestellt werden sollen. Diese Beispiele machen aus einer ausführlichen Anweisung ein Ergebnis mit überprüfbaren Anforderungen.\n\nGeringere Ausführlichkeit wird als Eigenschaft dieser Veröffentlichung genannt. Sie ist besonders relevant, wenn die Ausgabe ein kurzer Feldwert, eine knappe Antwort oder die nächste Eingabe in einem größeren Ablauf wird. Verlangen Sie die benötigten Informationen statt einer allgemeinen Erörterung: die Entscheidung, ihre Quelle und die offene Frage. Listen Sie für eine Zusammenfassung die Fakten und Fristen auf, die bei der Verdichtung erhalten bleiben müssen, und geben Sie Anzahl oder Zweck der Abschnitte an. Knappheit bedeutet nicht, wichtige Bedingungen wegzulassen; eine praktische Ausgabevorlage macht die erforderlichen Inhalte deutlich.\n\nGoogle berichtet für diese Septemberaktualisierung von verbesserter Übersetzungsqualität, verbessertem Bildverständnis und verbesserter Audiotranskription. Benennen Sie für eine Übersetzung die Zielgruppe und ein Glossar und unterscheiden Sie unveränderte Namen von Formulierungen, die lokalisiert werden sollen. Kennzeichnen Sie bei einem Bild die zu erklärende Komponente oder Passage und beschreiben Sie die beabsichtigte Verwendung der Antwort. Verlangen Sie für eine Audiotranskription eine schriftliche Wiedergabe mit den Sprach- und Formatierungsregeln für den nächsten Schritt. Eine multimediale Quelle lässt sich auch zusammenfassen oder mit einer schriftlichen Anforderung vergleichen, wenn die Frage den relevanten Inhalt benennt.\n\nDie genaue datierte Modellkarte führt Text, Bilder, Video, Audio und PDF als Eingaben auf; die Ausgabe ist Text. Ihre Grenzen sind 1.048.576 Eingabetoken und 65.536 Ausgabetoken, und die dokumentierte Wissensgrenze ist Januar 2025. Das große Eingabeprofil kann Material, Anweisungen und Beispiele verbinden. Kennzeichnen Sie jede Quelle und geben Sie an, welche Belege die Antwort verwenden soll. Dies ist die Flash-Lite-Ausgabe mit Textausgabe: erzeugte Sprache, erzeugte Bilder und eine Sprachoberfläche in Echtzeit gehören nicht zu ihrem aufgeführten Ausgabeprofil.\n\nDer Hersteller dokumentiert Schlussfolgern, strukturierte Ausgaben, Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Schlussfolgern lässt sich bei einer Aufgabe mit voneinander abhängigen Bedingungen einsetzen; eine strukturierte Antwort kann Felder für Extraktion oder Klassifikation liefern. Ein Funktionsaufruf enthält einen vorgeschlagenen Funktionsnamen und Argumente, während die Anwendung die Funktion ausführt und das Ergebnis zurückgibt. Googles Tool zur Codeausführung verwendet Python; Such- und Dokumenttools liefern externes Material für eine fundierte schriftliche Antwort. Das genaue Profil umfasst auch Unterstützung für Caching und Stapelverarbeitung. Dies sind dokumentierte Modellfähigkeiten und keine Behauptung, dass eine bestimmte Anwendung jedes Tool aktiviert oder alle in einer Anfrage kombiniert hat.\n\nDie Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem multimodalem Verständnis. Das Vortraining umfasst Webtexte, Programmiersprachen, Bilder, Audio und Video. Das anschließende Training verwendet geprüfte Paare aus Anweisungen und Antworten, Informationen über menschliche Präferenzen und Daten zum Tooleinsatz. Zur Aufbereitung gehören Deduplizierung sowie Sicherheits- und Qualitätsfilter. Dieselbe Karte benennt mögliche erfundene Fakten, Schwierigkeiten beim kausalen und kontrafaktischen Denken, Grenzen bei komplexen logischen Schlussfolgerungen und uneinheitliche Einhaltung von Denkbudgets. Sie hält auch fest, dass manche Antworten übermäßig belehrend wirken. Das sind wesentliche Prüfpunkte für ein Modell zur knappen Verarbeitung.\n\nBereiten Sie für eine wiederholte Aufgabe repräsentative gewöhnliche, mehrdeutige und unvollständige Eingaben vor. Vergleichen Sie bei Übersetzungen die Terminologie, die Bedeutung und das verlangte Format mit ausschließlicher Ausgabe des Ergebnisses. Vergleichen Sie bei Transkription oder Dokumentextraktion die zurückgegebenen Details mit dem bereitgestellten Material und kennzeichnen Sie, was nicht festgestellt werden konnte. Prüfen Sie bei einer kurzen Antwort, ob alle verbindlichen Fakten erhalten geblieben sind. Das fertige Arbeitsergebnis kann eine übersetzte Passage, eine kompakte Zusammenfassung, extrahierte Felder oder eine Kategorie mit nächster Handlung sein. Diese Vorbereitung nutzt den besonderen Schwerpunkt der Septemberausgabe auf Anweisungsgenauigkeit, Knappheit und multimediale Verarbeitung und bindet das Ergebnis zugleich an die ursprünglichen Belege.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 konzentriert sich auf die Befolgung von Anweisungen, knappe Texte, Übersetzung und multimediales Verständnis. Googles Septemberausgabe nimmt Text, Bilder, Video, Audio und PDF entgegen und bietet strukturierte Antworten sowie dokumentierte Tools für die Verarbeitung großer Mengen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 2.5 Flash-Lite Preview 09-2025 ist Googles Septemberausgabe für häufige Aufgaben, die ein knappes, gezielt ausgerichtetes Textergebnis benötigen. Der Hersteller gliedert die Aktualisierung in drei Schwerpunkte: bessere Befolgung komplexer Anweisungen und Systemprompts, geringere Ausführlichkeit sowie verbesserte Übersetzung und multimodales Verständnis. Der datierte Name kennzeichnet diese Vorschau getrennt von der Flash-Lite-Vorschau im Juni, dem stabilen Modell und einem fortlaufend aktualisierten latest-Alias.
Bessere Befolgung von Anweisungen hilft bei Aufgaben mit mehreren gleichzeitig geltenden Regeln. Stellen Sie das Quellenmaterial, die Zielgruppe und das erforderliche Format bereit und trennen Sie verbindliche Inhalte von optionalen Erklärungen. Eine Aufgabe zur Verarbeitung von Supportanfragen könnte eine Kategorie, die genaue Frage des Kunden und einen nächsten Schritt verlangen, der ausschließlich auf einer bereitgestellten Referenz beruht. Eine Dokumentaufgabe kann festlegen, welche Begriffe zu erhalten sind, welche Fakten vorkommen müssen und wie fehlende Werte dargestellt werden sollen. Diese Beispiele machen aus einer ausführlichen Anweisung ein Ergebnis mit überprüfbaren Anforderungen.
Geringere Ausführlichkeit wird als Eigenschaft dieser Veröffentlichung genannt. Sie ist besonders relevant, wenn die Ausgabe ein kurzer Feldwert, eine knappe Antwort oder die nächste Eingabe in einem größeren Ablauf wird. Verlangen Sie die benötigten Informationen statt einer allgemeinen Erörterung: die Entscheidung, ihre Quelle und die offene Frage. Listen Sie für eine Zusammenfassung die Fakten und Fristen auf, die bei der Verdichtung erhalten bleiben müssen, und geben Sie Anzahl oder Zweck der Abschnitte an. Knappheit bedeutet nicht, wichtige Bedingungen wegzulassen; eine praktische Ausgabevorlage macht die erforderlichen Inhalte deutlich.
Google berichtet für diese Septemberaktualisierung von verbesserter Übersetzungsqualität, verbessertem Bildverständnis und verbesserter Audiotranskription. Benennen Sie für eine Übersetzung die Zielgruppe und ein Glossar und unterscheiden Sie unveränderte Namen von Formulierungen, die lokalisiert werden sollen. Kennzeichnen Sie bei einem Bild die zu erklärende Komponente oder Passage und beschreiben Sie die beabsichtigte Verwendung der Antwort. Verlangen Sie für eine Audiotranskription eine schriftliche Wiedergabe mit den Sprach- und Formatierungsregeln für den nächsten Schritt. Eine multimediale Quelle lässt sich auch zusammenfassen oder mit einer schriftlichen Anforderung vergleichen, wenn die Frage den relevanten Inhalt benennt.
Die genaue datierte Modellkarte führt Text, Bilder, Video, Audio und PDF als Eingaben auf; die Ausgabe ist Text. Ihre Grenzen sind 1.048.576 Eingabetoken und 65.536 Ausgabetoken, und die dokumentierte Wissensgrenze ist Januar 2025. Das große Eingabeprofil kann Material, Anweisungen und Beispiele verbinden. Kennzeichnen Sie jede Quelle und geben Sie an, welche Belege die Antwort verwenden soll. Dies ist die Flash-Lite-Ausgabe mit Textausgabe: erzeugte Sprache, erzeugte Bilder und eine Sprachoberfläche in Echtzeit gehören nicht zu ihrem aufgeführten Ausgabeprofil.
Der Hersteller dokumentiert Schlussfolgern, strukturierte Ausgaben, Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Schlussfolgern lässt sich bei einer Aufgabe mit voneinander abhängigen Bedingungen einsetzen; eine strukturierte Antwort kann Felder für Extraktion oder Klassifikation liefern. Ein Funktionsaufruf enthält einen vorgeschlagenen Funktionsnamen und Argumente, während die Anwendung die Funktion ausführt und das Ergebnis zurückgibt. Googles Tool zur Codeausführung verwendet Python; Such- und Dokumenttools liefern externes Material für eine fundierte schriftliche Antwort. Das genaue Profil umfasst auch Unterstützung für Caching und Stapelverarbeitung. Dies sind dokumentierte Modellfähigkeiten und keine Behauptung, dass eine bestimmte Anwendung jedes Tool aktiviert oder alle in einer Anfrage kombiniert hat.
Die Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem multimodalem Verständnis. Das Vortraining umfasst Webtexte, Programmiersprachen, Bilder, Audio und Video. Das anschließende Training verwendet geprüfte Paare aus Anweisungen und Antworten, Informationen über menschliche Präferenzen und Daten zum Tooleinsatz. Zur Aufbereitung gehören Deduplizierung sowie Sicherheits- und Qualitätsfilter. Dieselbe Karte benennt mögliche erfundene Fakten, Schwierigkeiten beim kausalen und kontrafaktischen Denken, Grenzen bei komplexen logischen Schlussfolgerungen und uneinheitliche Einhaltung von Denkbudgets. Sie hält auch fest, dass manche Antworten übermäßig belehrend wirken. Das sind wesentliche Prüfpunkte für ein Modell zur knappen Verarbeitung.
Bereiten Sie für eine wiederholte Aufgabe repräsentative gewöhnliche, mehrdeutige und unvollständige Eingaben vor. Vergleichen Sie bei Übersetzungen die Terminologie, die Bedeutung und das verlangte Format mit ausschließlicher Ausgabe des Ergebnisses. Vergleichen Sie bei Transkription oder Dokumentextraktion die zurückgegebenen Details mit dem bereitgestellten Material und kennzeichnen Sie, was nicht festgestellt werden konnte. Prüfen Sie bei einer kurzen Antwort, ob alle verbindlichen Fakten erhalten geblieben sind. Das fertige Arbeitsergebnis kann eine übersetzte Passage, eine kompakte Zusammenfassung, extrahierte Felder oder eine Kategorie mit nächster Handlung sein. Diese Vorbereitung nutzt den besonderen Schwerpunkt der Septemberausgabe auf Anweisungsgenauigkeit, Knappheit und multimediale Verarbeitung und bindet das Ergebnis zugleich an die ursprünglichen Belege.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite-preview-09-2025 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-lite-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-lite-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gemini-2.5-flash-lite-preview-09-2025
Verwenden Sie die oben angezeigten Methodenpfade.
gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 konzentriert sich auf die Befolgung von Anweisungen, knappe Texte, Übersetzung und multimediales Verständnis. Googles Septemberausgabe nimmt Text, Bilder, Video, Audio und PDF entgegen und bietet strukturierte Antworten sowie dokumentierte Tools für die Verarbeitung großer Mengen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 2.5 Flash-Lite Preview 09-2025 ist Googles Septemberausgabe für häufige Aufgaben, die ein knappes, gezielt ausgerichtetes Textergebnis benötigen. Der Hersteller gliedert die Aktualisierung in drei Schwerpunkte: bessere Befolgung komplexer Anweisungen und Systemprompts, geringere Ausführlichkeit sowie verbesserte Übersetzung und multimodales Verständnis. Der datierte Name kennzeichnet diese Vorschau getrennt von der Flash-Lite-Vorschau im Juni, dem stabilen Modell und einem fortlaufend aktualisierten latest-Alias.
Bessere Befolgung von Anweisungen hilft bei Aufgaben mit mehreren gleichzeitig geltenden Regeln. Stellen Sie das Quellenmaterial, die Zielgruppe und das erforderliche Format bereit und trennen Sie verbindliche Inhalte von optionalen Erklärungen. Eine Aufgabe zur Verarbeitung von Supportanfragen könnte eine Kategorie, die genaue Frage des Kunden und einen nächsten Schritt verlangen, der ausschließlich auf einer bereitgestellten Referenz beruht. Eine Dokumentaufgabe kann festlegen, welche Begriffe zu erhalten sind, welche Fakten vorkommen müssen und wie fehlende Werte dargestellt werden sollen. Diese Beispiele machen aus einer ausführlichen Anweisung ein Ergebnis mit überprüfbaren Anforderungen.
Geringere Ausführlichkeit wird als Eigenschaft dieser Veröffentlichung genannt. Sie ist besonders relevant, wenn die Ausgabe ein kurzer Feldwert, eine knappe Antwort oder die nächste Eingabe in einem größeren Ablauf wird. Verlangen Sie die benötigten Informationen statt einer allgemeinen Erörterung: die Entscheidung, ihre Quelle und die offene Frage. Listen Sie für eine Zusammenfassung die Fakten und Fristen auf, die bei der Verdichtung erhalten bleiben müssen, und geben Sie Anzahl oder Zweck der Abschnitte an. Knappheit bedeutet nicht, wichtige Bedingungen wegzulassen; eine praktische Ausgabevorlage macht die erforderlichen Inhalte deutlich.
Google berichtet für diese Septemberaktualisierung von verbesserter Übersetzungsqualität, verbessertem Bildverständnis und verbesserter Audiotranskription. Benennen Sie für eine Übersetzung die Zielgruppe und ein Glossar und unterscheiden Sie unveränderte Namen von Formulierungen, die lokalisiert werden sollen. Kennzeichnen Sie bei einem Bild die zu erklärende Komponente oder Passage und beschreiben Sie die beabsichtigte Verwendung der Antwort. Verlangen Sie für eine Audiotranskription eine schriftliche Wiedergabe mit den Sprach- und Formatierungsregeln für den nächsten Schritt. Eine multimediale Quelle lässt sich auch zusammenfassen oder mit einer schriftlichen Anforderung vergleichen, wenn die Frage den relevanten Inhalt benennt.
Die genaue datierte Modellkarte führt Text, Bilder, Video, Audio und PDF als Eingaben auf; die Ausgabe ist Text. Ihre Grenzen sind 1.048.576 Eingabetoken und 65.536 Ausgabetoken, und die dokumentierte Wissensgrenze ist Januar 2025. Das große Eingabeprofil kann Material, Anweisungen und Beispiele verbinden. Kennzeichnen Sie jede Quelle und geben Sie an, welche Belege die Antwort verwenden soll. Dies ist die Flash-Lite-Ausgabe mit Textausgabe: erzeugte Sprache, erzeugte Bilder und eine Sprachoberfläche in Echtzeit gehören nicht zu ihrem aufgeführten Ausgabeprofil.
Der Hersteller dokumentiert Schlussfolgern, strukturierte Ausgaben, Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Schlussfolgern lässt sich bei einer Aufgabe mit voneinander abhängigen Bedingungen einsetzen; eine strukturierte Antwort kann Felder für Extraktion oder Klassifikation liefern. Ein Funktionsaufruf enthält einen vorgeschlagenen Funktionsnamen und Argumente, während die Anwendung die Funktion ausführt und das Ergebnis zurückgibt. Googles Tool zur Codeausführung verwendet Python; Such- und Dokumenttools liefern externes Material für eine fundierte schriftliche Antwort. Das genaue Profil umfasst auch Unterstützung für Caching und Stapelverarbeitung. Dies sind dokumentierte Modellfähigkeiten und keine Behauptung, dass eine bestimmte Anwendung jedes Tool aktiviert oder alle in einer Anfrage kombiniert hat.
Die Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem multimodalem Verständnis. Das Vortraining umfasst Webtexte, Programmiersprachen, Bilder, Audio und Video. Das anschließende Training verwendet geprüfte Paare aus Anweisungen und Antworten, Informationen über menschliche Präferenzen und Daten zum Tooleinsatz. Zur Aufbereitung gehören Deduplizierung sowie Sicherheits- und Qualitätsfilter. Dieselbe Karte benennt mögliche erfundene Fakten, Schwierigkeiten beim kausalen und kontrafaktischen Denken, Grenzen bei komplexen logischen Schlussfolgerungen und uneinheitliche Einhaltung von Denkbudgets. Sie hält auch fest, dass manche Antworten übermäßig belehrend wirken. Das sind wesentliche Prüfpunkte für ein Modell zur knappen Verarbeitung.
Bereiten Sie für eine wiederholte Aufgabe repräsentative gewöhnliche, mehrdeutige und unvollständige Eingaben vor. Vergleichen Sie bei Übersetzungen die Terminologie, die Bedeutung und das verlangte Format mit ausschließlicher Ausgabe des Ergebnisses. Vergleichen Sie bei Transkription oder Dokumentextraktion die zurückgegebenen Details mit dem bereitgestellten Material und kennzeichnen Sie, was nicht festgestellt werden konnte. Prüfen Sie bei einer kurzen Antwort, ob alle verbindlichen Fakten erhalten geblieben sind. Das fertige Arbeitsergebnis kann eine übersetzte Passage, eine kompakte Zusammenfassung, extrahierte Felder oder eine Kategorie mit nächster Handlung sein. Diese Vorbereitung nutzt den besonderen Schwerpunkt der Septemberausgabe auf Anweisungsgenauigkeit, Knappheit und multimediale Verarbeitung und bindet das Ergebnis zugleich an die ursprünglichen Belege.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-lite-preview-09-2025 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-2.5-flash-lite-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gemini-2.5-flash-lite-preview-09-2025
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.