Gemini 2.5 Flash Preview 09-2025 ist die September-Vorschauausgabe von Googles hybridem Schlussfolgerungsmodell. Ihre dokumentierten Eingaben sind Text, Bilder, Video und Audio; die Ausgabe ist Text. Das Modell kann die Frage mit visuellem oder gesprochenem Material verbinden und anschließend eine Erklärung, ein Dokument, Code oder eine strukturierte Antwort erzeugen. Diese genau datierte Ausgabe unterscheidet sich vom stabilen Gemini 2.5 Flash und einem fortlaufend aktualisierten latest-Alias. Sie dient dem multimodalen Verständnis und der toolgestützten Arbeit mit einem schriftlichen Ergebnis.
Google beschreibt zwei gezielte Verbesserungen dieser Veröffentlichung: besseren agentengestützten Tooleinsatz und sparsamere Antwortgenerierung bei aktivierter Denkfunktion. Die erste betrifft Aufgaben, die mehrere zusammenhängende Handlungen benötigen, etwa Informationen zu beschaffen, sie mit der Anfrage zu vergleichen und den nächsten Schritt zu wählen. Die zweite betrifft nützliche Antworten mit weniger erzeugten Token bei erhaltener Qualität. Stellen Sie einem Entwicklungsassistenten das beobachtete Verhalten, den relevanten Code und das Erfolgskriterium für eine Änderung bereit. Definieren Sie für einen Rechercheassistenten die Frage, das zu prüfende Material und die für die Schlussfolgerung benötigten Belege.
Schlussfolgern und direktes Antworten gehören zum hybriden Aufbau. Eine Denkaufgabe kann Abhängigkeiten, mathematische Bedingungen oder einen mehrstufigen Plan analysieren, bevor die endgültige Antwort vorbereitet wird. Für eine einfache Extraktion oder kurze Erklärung kann ein einfacheres Antwortziel genügen. Geben Sie an, welche Bedingungen verbindlich sind, was das Modell annehmen darf und was das endgültige Arbeitsergebnis enthalten muss. Die Modellkarte der Familie weist darauf hin, dass die Einhaltung von Denkbudgets uneinheitlich sein kann; ein angefordertes Budget belegt daher keine strikte Obergrenze für den Denkaufwand. Diese Beschreibung überträgt keine Denkstufen oder Standardwerte neuerer Modelle auf die Septemberausgabe.
Die genaue Modelltabelle für September nennt bis zu 1.048.576 Eingabetoken und 65.536 Ausgabetoken. Das große Eingabeprofil kann Anweisungen, Beispiele, Referenztexte und multimedialen Kontext in einer Aufgabe aufnehmen. Kennzeichnen Sie zum Vergleich von Anforderungen mit einem Lösungsvorschlag beide Quellen und geben Sie gemeinsame Kriterien vor. Benennen Sie für die Besprechung eines Screenshots den relevanten Zustand oder die Komponente. Nennen Sie bei einer Audio- oder Videoaufgabe die Frage oder das Ereignis, statt eine ungerichtete Beschreibung zu verlangen. Das Ergebnis bleibt Text: native Bilderzeugung, Sprachsynthese und gesprochene Dialoge in Echtzeit gehören zu anderen Modellprofilen.
Google dokumentiert für genau diese Vorschauausgabe Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Bei einem Funktionsaufruf wird eine deklarierte Funktion gewählt und ihre Argumente werden vorbereitet; die verbundene Anwendung führt die Operation aus und gibt ihr Ergebnis zurück. Die Codeausführung verwendet erzeugten Python-Code für Berechnungen oder Textverarbeitung. Die Suchanbindung liefert Webmaterial für eine durch Quellen gestützte Antwort, während URL-Kontext mit den Inhalten angegebener zugänglicher Seiten arbeitet. Die Dateisuche bietet eine weitere Möglichkeit zum Abruf von Quellen. Geben Sie einem Agenten für jedes Tool einen klaren Zweck vor und legen Sie die erwarteten Informationen jedes Schritts fest, damit der Ablauf vom tatsächlich zurückgegebenen Ergebnis aus fortgesetzt werden kann.
Die Unterstützung strukturierter Ausgaben macht das endgültige Arbeitsergebnis als Satz definierter Felder nutzbar. Verlangen Sie für einen Vergleich ein Kriterium, die zugehörige Quellenpassage, den beobachteten Unterschied und die noch zu klärende Frage. Trennen Sie bei einer Codeaufgabe die vorgeschlagene Änderung von ihrer Erklärung und den noch erforderlichen Prüfungen. Googles genaues Modellprofil nennt auch Unterstützung für Kontext-Caching und Stapelverarbeitung. Wiederkehrendes Quellenmaterial lässt sich über zusammengehörige Aufgaben hinweg konsistent halten; Caching allein belegt nicht, dass eine bestimmte Anfrage zwischengespeicherte Token wiederverwendet hat. Aus diesen Fähigkeitsbezeichnungen ergeben sich keine neueren Schemakombinationen, Cache-Schwellenwerte oder gleichzeitig verwendbaren Toolmodi.
Die Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem Text-, Bild- und Audioverständnis. Das Training kombiniert Webtexte, Code, Bilder, Audio und Video. Das anschließende Training umfasst gepaarte multimodale Anweisungen und Antworten, menschliche Präferenzen und Daten zum Tooleinsatz. Die Datenaufbereitung verwendet Deduplizierung sowie Sicherheits- und Qualitätsfilter. Die Seite für das genaue datierte Modell nennt Januar 2025 als Wissensgrenze. Fragen, die neuere Informationen benötigen, sollten ihre Quellen oder einen geeigneten Abrufschritt benennen, statt das Trainingswissen des Modells als laufenden Informationsdienst zu behandeln.
Zu den wesentlichen Einschränkungen zählen mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Die Modellkarte der Familie weist außerdem darauf hin, dass Antworten gelegentlich unnötig belehrend wirken können. Verlangen Sie für ein nützliches Ergebnis, dass das Modell Quellenfakten, Annahmen und vorgeschlagene Handlungen unterscheidet, und prüfen Sie anschließend die entscheidungsrelevanten Abschnitte. Ein vollständiges Arbeitsergebnis eines Agenten kann Feststellungen, einen begründeten nächsten Schritt, die aus Tools gewonnenen Informationen und eine offene Frage enthalten. Der Schwerpunkt der Septemberausgabe auf Tooleinsatz hilft, diesen Ablauf zu bestimmen, während vorbereitete Eingaben und ausdrückliche Abschlusskriterien ihn an der Aufgabe des Nutzers ausrichten.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 ist die September-Vorschauausgabe von Googles hybridem Schlussfolgerungsmodell. Ihre dokumentierten Eingaben sind Text, Bilder, Video und Audio; die Ausgabe ist Text. Das Modell kann die Frage mit visuellem oder gesprochenem Material verbinden und anschließend eine Erklärung, ein Dokument, Code oder eine strukturierte Antwort erzeugen. Diese genau datierte Ausgabe unterscheidet sich vom stabilen Gemini 2.5 Flash und einem fortlaufend aktualisierten latest-Alias. Sie dient dem multimodalen Verständnis und der toolgestützten Arbeit mit einem schriftlichen Ergebnis.\n\nGoogle beschreibt zwei gezielte Verbesserungen dieser Veröffentlichung: besseren agentengestützten Tooleinsatz und sparsamere Antwortgenerierung bei aktivierter Denkfunktion. Die erste betrifft Aufgaben, die mehrere zusammenhängende Handlungen benötigen, etwa Informationen zu beschaffen, sie mit der Anfrage zu vergleichen und den nächsten Schritt zu wählen. Die zweite betrifft nützliche Antworten mit weniger erzeugten Token bei erhaltener Qualität. Stellen Sie einem Entwicklungsassistenten das beobachtete Verhalten, den relevanten Code und das Erfolgskriterium für eine Änderung bereit. Definieren Sie für einen Rechercheassistenten die Frage, das zu prüfende Material und die für die Schlussfolgerung benötigten Belege.\n\nSchlussfolgern und direktes Antworten gehören zum hybriden Aufbau. Eine Denkaufgabe kann Abhängigkeiten, mathematische Bedingungen oder einen mehrstufigen Plan analysieren, bevor die endgültige Antwort vorbereitet wird. Für eine einfache Extraktion oder kurze Erklärung kann ein einfacheres Antwortziel genügen. Geben Sie an, welche Bedingungen verbindlich sind, was das Modell annehmen darf und was das endgültige Arbeitsergebnis enthalten muss. Die Modellkarte der Familie weist darauf hin, dass die Einhaltung von Denkbudgets uneinheitlich sein kann; ein angefordertes Budget belegt daher keine strikte Obergrenze für den Denkaufwand. Diese Beschreibung überträgt keine Denkstufen oder Standardwerte neuerer Modelle auf die Septemberausgabe.\n\nDie genaue Modelltabelle für September nennt bis zu 1.048.576 Eingabetoken und 65.536 Ausgabetoken. Das große Eingabeprofil kann Anweisungen, Beispiele, Referenztexte und multimedialen Kontext in einer Aufgabe aufnehmen. Kennzeichnen Sie zum Vergleich von Anforderungen mit einem Lösungsvorschlag beide Quellen und geben Sie gemeinsame Kriterien vor. Benennen Sie für die Besprechung eines Screenshots den relevanten Zustand oder die Komponente. Nennen Sie bei einer Audio- oder Videoaufgabe die Frage oder das Ereignis, statt eine ungerichtete Beschreibung zu verlangen. Das Ergebnis bleibt Text: native Bilderzeugung, Sprachsynthese und gesprochene Dialoge in Echtzeit gehören zu anderen Modellprofilen.\n\nGoogle dokumentiert für genau diese Vorschauausgabe Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Bei einem Funktionsaufruf wird eine deklarierte Funktion gewählt und ihre Argumente werden vorbereitet; die verbundene Anwendung führt die Operation aus und gibt ihr Ergebnis zurück. Die Codeausführung verwendet erzeugten Python-Code für Berechnungen oder Textverarbeitung. Die Suchanbindung liefert Webmaterial für eine durch Quellen gestützte Antwort, während URL-Kontext mit den Inhalten angegebener zugänglicher Seiten arbeitet. Die Dateisuche bietet eine weitere Möglichkeit zum Abruf von Quellen. Geben Sie einem Agenten für jedes Tool einen klaren Zweck vor und legen Sie die erwarteten Informationen jedes Schritts fest, damit der Ablauf vom tatsächlich zurückgegebenen Ergebnis aus fortgesetzt werden kann.\n\nDie Unterstützung strukturierter Ausgaben macht das endgültige Arbeitsergebnis als Satz definierter Felder nutzbar. Verlangen Sie für einen Vergleich ein Kriterium, die zugehörige Quellenpassage, den beobachteten Unterschied und die noch zu klärende Frage. Trennen Sie bei einer Codeaufgabe die vorgeschlagene Änderung von ihrer Erklärung und den noch erforderlichen Prüfungen. Googles genaues Modellprofil nennt auch Unterstützung für Kontext-Caching und Stapelverarbeitung. Wiederkehrendes Quellenmaterial lässt sich über zusammengehörige Aufgaben hinweg konsistent halten; Caching allein belegt nicht, dass eine bestimmte Anfrage zwischengespeicherte Token wiederverwendet hat. Aus diesen Fähigkeitsbezeichnungen ergeben sich keine neueren Schemakombinationen, Cache-Schwellenwerte oder gleichzeitig verwendbaren Toolmodi.\n\nDie Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem Text-, Bild- und Audioverständnis. Das Training kombiniert Webtexte, Code, Bilder, Audio und Video. Das anschließende Training umfasst gepaarte multimodale Anweisungen und Antworten, menschliche Präferenzen und Daten zum Tooleinsatz. Die Datenaufbereitung verwendet Deduplizierung sowie Sicherheits- und Qualitätsfilter. Die Seite für das genaue datierte Modell nennt Januar 2025 als Wissensgrenze. Fragen, die neuere Informationen benötigen, sollten ihre Quellen oder einen geeigneten Abrufschritt benennen, statt das Trainingswissen des Modells als laufenden Informationsdienst zu behandeln.\n\nZu den wesentlichen Einschränkungen zählen mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Die Modellkarte der Familie weist außerdem darauf hin, dass Antworten gelegentlich unnötig belehrend wirken können. Verlangen Sie für ein nützliches Ergebnis, dass das Modell Quellenfakten, Annahmen und vorgeschlagene Handlungen unterscheidet, und prüfen Sie anschließend die entscheidungsrelevanten Abschnitte. Ein vollständiges Arbeitsergebnis eines Agenten kann Feststellungen, einen begründeten nächsten Schritt, die aus Tools gewonnenen Informationen und eine offene Frage enthalten. Der Schwerpunkt der Septemberausgabe auf Tooleinsatz hilft, diesen Ablauf zu bestimmen, während vorbereitete Eingaben und ausdrückliche Abschlusskriterien ihn an der Aufgabe des Nutzers ausrichten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 ist Googles Septemberausgabe für multimodale Analysen und mehrstufige Arbeit mit Tools. Sie verbindet das Verständnis von Text, Bildern, Video und Audio mit Schlussfolgern, strukturierten Antworten und einer Eingabegrenze von 1.048.576 Token sowie gezielten Verbesserungen beim agentengestützten Tooleinsatz.
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 Preview 09-2025 ist die September-Vorschauausgabe von Googles hybridem Schlussfolgerungsmodell. Ihre dokumentierten Eingaben sind Text, Bilder, Video und Audio; die Ausgabe ist Text. Das Modell kann die Frage mit visuellem oder gesprochenem Material verbinden und anschließend eine Erklärung, ein Dokument, Code oder eine strukturierte Antwort erzeugen. Diese genau datierte Ausgabe unterscheidet sich vom stabilen Gemini 2.5 Flash und einem fortlaufend aktualisierten latest-Alias. Sie dient dem multimodalen Verständnis und der toolgestützten Arbeit mit einem schriftlichen Ergebnis.
Google beschreibt zwei gezielte Verbesserungen dieser Veröffentlichung: besseren agentengestützten Tooleinsatz und sparsamere Antwortgenerierung bei aktivierter Denkfunktion. Die erste betrifft Aufgaben, die mehrere zusammenhängende Handlungen benötigen, etwa Informationen zu beschaffen, sie mit der Anfrage zu vergleichen und den nächsten Schritt zu wählen. Die zweite betrifft nützliche Antworten mit weniger erzeugten Token bei erhaltener Qualität. Stellen Sie einem Entwicklungsassistenten das beobachtete Verhalten, den relevanten Code und das Erfolgskriterium für eine Änderung bereit. Definieren Sie für einen Rechercheassistenten die Frage, das zu prüfende Material und die für die Schlussfolgerung benötigten Belege.
Schlussfolgern und direktes Antworten gehören zum hybriden Aufbau. Eine Denkaufgabe kann Abhängigkeiten, mathematische Bedingungen oder einen mehrstufigen Plan analysieren, bevor die endgültige Antwort vorbereitet wird. Für eine einfache Extraktion oder kurze Erklärung kann ein einfacheres Antwortziel genügen. Geben Sie an, welche Bedingungen verbindlich sind, was das Modell annehmen darf und was das endgültige Arbeitsergebnis enthalten muss. Die Modellkarte der Familie weist darauf hin, dass die Einhaltung von Denkbudgets uneinheitlich sein kann; ein angefordertes Budget belegt daher keine strikte Obergrenze für den Denkaufwand. Diese Beschreibung überträgt keine Denkstufen oder Standardwerte neuerer Modelle auf die Septemberausgabe.
Die genaue Modelltabelle für September nennt bis zu 1.048.576 Eingabetoken und 65.536 Ausgabetoken. Das große Eingabeprofil kann Anweisungen, Beispiele, Referenztexte und multimedialen Kontext in einer Aufgabe aufnehmen. Kennzeichnen Sie zum Vergleich von Anforderungen mit einem Lösungsvorschlag beide Quellen und geben Sie gemeinsame Kriterien vor. Benennen Sie für die Besprechung eines Screenshots den relevanten Zustand oder die Komponente. Nennen Sie bei einer Audio- oder Videoaufgabe die Frage oder das Ereignis, statt eine ungerichtete Beschreibung zu verlangen. Das Ergebnis bleibt Text: native Bilderzeugung, Sprachsynthese und gesprochene Dialoge in Echtzeit gehören zu anderen Modellprofilen.
Google dokumentiert für genau diese Vorschauausgabe Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Bei einem Funktionsaufruf wird eine deklarierte Funktion gewählt und ihre Argumente werden vorbereitet; die verbundene Anwendung führt die Operation aus und gibt ihr Ergebnis zurück. Die Codeausführung verwendet erzeugten Python-Code für Berechnungen oder Textverarbeitung. Die Suchanbindung liefert Webmaterial für eine durch Quellen gestützte Antwort, während URL-Kontext mit den Inhalten angegebener zugänglicher Seiten arbeitet. Die Dateisuche bietet eine weitere Möglichkeit zum Abruf von Quellen. Geben Sie einem Agenten für jedes Tool einen klaren Zweck vor und legen Sie die erwarteten Informationen jedes Schritts fest, damit der Ablauf vom tatsächlich zurückgegebenen Ergebnis aus fortgesetzt werden kann.
Die Unterstützung strukturierter Ausgaben macht das endgültige Arbeitsergebnis als Satz definierter Felder nutzbar. Verlangen Sie für einen Vergleich ein Kriterium, die zugehörige Quellenpassage, den beobachteten Unterschied und die noch zu klärende Frage. Trennen Sie bei einer Codeaufgabe die vorgeschlagene Änderung von ihrer Erklärung und den noch erforderlichen Prüfungen. Googles genaues Modellprofil nennt auch Unterstützung für Kontext-Caching und Stapelverarbeitung. Wiederkehrendes Quellenmaterial lässt sich über zusammengehörige Aufgaben hinweg konsistent halten; Caching allein belegt nicht, dass eine bestimmte Anfrage zwischengespeicherte Token wiederverwendet hat. Aus diesen Fähigkeitsbezeichnungen ergeben sich keine neueren Schemakombinationen, Cache-Schwellenwerte oder gleichzeitig verwendbaren Toolmodi.
Die Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem Text-, Bild- und Audioverständnis. Das Training kombiniert Webtexte, Code, Bilder, Audio und Video. Das anschließende Training umfasst gepaarte multimodale Anweisungen und Antworten, menschliche Präferenzen und Daten zum Tooleinsatz. Die Datenaufbereitung verwendet Deduplizierung sowie Sicherheits- und Qualitätsfilter. Die Seite für das genaue datierte Modell nennt Januar 2025 als Wissensgrenze. Fragen, die neuere Informationen benötigen, sollten ihre Quellen oder einen geeigneten Abrufschritt benennen, statt das Trainingswissen des Modells als laufenden Informationsdienst zu behandeln.
Zu den wesentlichen Einschränkungen zählen mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Die Modellkarte der Familie weist außerdem darauf hin, dass Antworten gelegentlich unnötig belehrend wirken können. Verlangen Sie für ein nützliches Ergebnis, dass das Modell Quellenfakten, Annahmen und vorgeschlagene Handlungen unterscheidet, und prüfen Sie anschließend die entscheidungsrelevanten Abschnitte. Ein vollständiges Arbeitsergebnis eines Agenten kann Feststellungen, einen begründeten nächsten Schritt, die aus Tools gewonnenen Informationen und eine offene Frage enthalten. Der Schwerpunkt der Septemberausgabe auf Tooleinsatz hilft, diesen Ablauf zu bestimmen, während vorbereitete Eingaben und ausdrückliche Abschlusskriterien ihn an der Aufgabe des Nutzers ausrichten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 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-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-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-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-preview-09-2025
Verwenden Sie die oben angezeigten Methodenpfade.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 ist Googles Septemberausgabe für multimodale Analysen und mehrstufige Arbeit mit Tools. Sie verbindet das Verständnis von Text, Bildern, Video und Audio mit Schlussfolgern, strukturierten Antworten und einer Eingabegrenze von 1.048.576 Token sowie gezielten Verbesserungen beim agentengestützten Tooleinsatz.
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 Preview 09-2025 ist die September-Vorschauausgabe von Googles hybridem Schlussfolgerungsmodell. Ihre dokumentierten Eingaben sind Text, Bilder, Video und Audio; die Ausgabe ist Text. Das Modell kann die Frage mit visuellem oder gesprochenem Material verbinden und anschließend eine Erklärung, ein Dokument, Code oder eine strukturierte Antwort erzeugen. Diese genau datierte Ausgabe unterscheidet sich vom stabilen Gemini 2.5 Flash und einem fortlaufend aktualisierten latest-Alias. Sie dient dem multimodalen Verständnis und der toolgestützten Arbeit mit einem schriftlichen Ergebnis.
Google beschreibt zwei gezielte Verbesserungen dieser Veröffentlichung: besseren agentengestützten Tooleinsatz und sparsamere Antwortgenerierung bei aktivierter Denkfunktion. Die erste betrifft Aufgaben, die mehrere zusammenhängende Handlungen benötigen, etwa Informationen zu beschaffen, sie mit der Anfrage zu vergleichen und den nächsten Schritt zu wählen. Die zweite betrifft nützliche Antworten mit weniger erzeugten Token bei erhaltener Qualität. Stellen Sie einem Entwicklungsassistenten das beobachtete Verhalten, den relevanten Code und das Erfolgskriterium für eine Änderung bereit. Definieren Sie für einen Rechercheassistenten die Frage, das zu prüfende Material und die für die Schlussfolgerung benötigten Belege.
Schlussfolgern und direktes Antworten gehören zum hybriden Aufbau. Eine Denkaufgabe kann Abhängigkeiten, mathematische Bedingungen oder einen mehrstufigen Plan analysieren, bevor die endgültige Antwort vorbereitet wird. Für eine einfache Extraktion oder kurze Erklärung kann ein einfacheres Antwortziel genügen. Geben Sie an, welche Bedingungen verbindlich sind, was das Modell annehmen darf und was das endgültige Arbeitsergebnis enthalten muss. Die Modellkarte der Familie weist darauf hin, dass die Einhaltung von Denkbudgets uneinheitlich sein kann; ein angefordertes Budget belegt daher keine strikte Obergrenze für den Denkaufwand. Diese Beschreibung überträgt keine Denkstufen oder Standardwerte neuerer Modelle auf die Septemberausgabe.
Die genaue Modelltabelle für September nennt bis zu 1.048.576 Eingabetoken und 65.536 Ausgabetoken. Das große Eingabeprofil kann Anweisungen, Beispiele, Referenztexte und multimedialen Kontext in einer Aufgabe aufnehmen. Kennzeichnen Sie zum Vergleich von Anforderungen mit einem Lösungsvorschlag beide Quellen und geben Sie gemeinsame Kriterien vor. Benennen Sie für die Besprechung eines Screenshots den relevanten Zustand oder die Komponente. Nennen Sie bei einer Audio- oder Videoaufgabe die Frage oder das Ereignis, statt eine ungerichtete Beschreibung zu verlangen. Das Ergebnis bleibt Text: native Bilderzeugung, Sprachsynthese und gesprochene Dialoge in Echtzeit gehören zu anderen Modellprofilen.
Google dokumentiert für genau diese Vorschauausgabe Funktionsaufrufe, Codeausführung, Suchanbindung, URL-Kontext und Dateisuche. Bei einem Funktionsaufruf wird eine deklarierte Funktion gewählt und ihre Argumente werden vorbereitet; die verbundene Anwendung führt die Operation aus und gibt ihr Ergebnis zurück. Die Codeausführung verwendet erzeugten Python-Code für Berechnungen oder Textverarbeitung. Die Suchanbindung liefert Webmaterial für eine durch Quellen gestützte Antwort, während URL-Kontext mit den Inhalten angegebener zugänglicher Seiten arbeitet. Die Dateisuche bietet eine weitere Möglichkeit zum Abruf von Quellen. Geben Sie einem Agenten für jedes Tool einen klaren Zweck vor und legen Sie die erwarteten Informationen jedes Schritts fest, damit der Ablauf vom tatsächlich zurückgegebenen Ergebnis aus fortgesetzt werden kann.
Die Unterstützung strukturierter Ausgaben macht das endgültige Arbeitsergebnis als Satz definierter Felder nutzbar. Verlangen Sie für einen Vergleich ein Kriterium, die zugehörige Quellenpassage, den beobachteten Unterschied und die noch zu klärende Frage. Trennen Sie bei einer Codeaufgabe die vorgeschlagene Änderung von ihrer Erklärung und den noch erforderlichen Prüfungen. Googles genaues Modellprofil nennt auch Unterstützung für Kontext-Caching und Stapelverarbeitung. Wiederkehrendes Quellenmaterial lässt sich über zusammengehörige Aufgaben hinweg konsistent halten; Caching allein belegt nicht, dass eine bestimmte Anfrage zwischengespeicherte Token wiederverwendet hat. Aus diesen Fähigkeitsbezeichnungen ergeben sich keine neueren Schemakombinationen, Cache-Schwellenwerte oder gleichzeitig verwendbaren Toolmodi.
Die Modellkarte der Familie beschreibt einen dünn besetzten Mixture-of-Experts-Transformer mit nativem Text-, Bild- und Audioverständnis. Das Training kombiniert Webtexte, Code, Bilder, Audio und Video. Das anschließende Training umfasst gepaarte multimodale Anweisungen und Antworten, menschliche Präferenzen und Daten zum Tooleinsatz. Die Datenaufbereitung verwendet Deduplizierung sowie Sicherheits- und Qualitätsfilter. Die Seite für das genaue datierte Modell nennt Januar 2025 als Wissensgrenze. Fragen, die neuere Informationen benötigen, sollten ihre Quellen oder einen geeigneten Abrufschritt benennen, statt das Trainingswissen des Modells als laufenden Informationsdienst zu behandeln.
Zu den wesentlichen Einschränkungen zählen mögliche erfundene Fakten sowie Schwierigkeiten beim kausalen Verständnis, bei komplexen logischen Schlussfolgerungen und beim kontrafaktischen Denken. Die Modellkarte der Familie weist außerdem darauf hin, dass Antworten gelegentlich unnötig belehrend wirken können. Verlangen Sie für ein nützliches Ergebnis, dass das Modell Quellenfakten, Annahmen und vorgeschlagene Handlungen unterscheidet, und prüfen Sie anschließend die entscheidungsrelevanten Abschnitte. Ein vollständiges Arbeitsergebnis eines Agenten kann Feststellungen, einen begründeten nächsten Schritt, die aus Tools gewonnenen Informationen und eine offene Frage enthalten. Der Schwerpunkt der Septemberausgabe auf Tooleinsatz hilft, diesen Ablauf zu bestimmen, während vorbereitete Eingaben und ausdrückliche Abschlusskriterien ihn an der Aufgabe des Nutzers ausrichten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-2.5-flash-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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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-preview-09-2025
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.