Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
", "aboutText": "Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.\n\nStellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.\n\nDas Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.\n\nDie dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.\n\nDie genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.\n\nBenennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.\n\nDie native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.\n\nDie benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a cross-module date contract\n\nReview this contract mismatch. Producer emits {due_date: "2026-11-03"}; consumer reads record.dueDate and displays "No date" when missing. Existing stored records use due_date. Propose the smallest compatible correction and tests for both present and absent dates. Preserve the producer field and do not add a second stored field.A short mismatch analysis, a focused consumer patch and tests covering the stored field and missing-value behavior.Check that the patch reads due_date without changing persisted records or treating an absent date as a valid one.gemini-3.1-pro-previewGemini 3.1 Pro Preview ist Googles multimodales Reasoning-Modell für komplexe Software-, Algorithmus- und Wissensaufgaben. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text oder Code aus, mit Werkzeugen und strukturierter Ausgabe. Niedrige, mittlere und hohe Reasoning-Stufen steuern den Aufwand; die hohe Stufe ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.1-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
Text + Bild
{type:image,source:{type:base64,media_type,data}} oder Quelle mit type=url
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messages| Anfragegröße in Token | Eingabe | Ausgabe | Cache-Lesen | Cache-Schreiben | Cache 5 Min. | Cache 1 Stunde |
|---|---|---|---|---|---|---|
| Anfragegröße in Token(0; 200.000] | Eingabe0,002 $ | Ausgabe0,012 $ | Cache-Lesen0,0002 $ | Cache-SchreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
| Anfragegröße in Token(200.000; ∞) | Eingabe0,004 $ | Ausgabe0,018 $ | Cache-Lesen0,0004 $ | Cache-SchreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
Tarife in USD pro 1K Token. Ist kein Tarif festgelegt, wird der Grundtarif dieser Methode übernommen; «—» bedeutet, dass kein Grundtarif festgelegt ist.
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-pro-preview", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-pro-preview", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-3.1-pro-preview",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-3.1-pro-preview",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='gemini-3.1-pro-preview',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview ist Googles multimodales Reasoning-Modell für komplexe Software-, Algorithmus- und Wissensaufgaben. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text oder Code aus, mit Werkzeugen und strukturierter Ausgabe. Niedrige, mittlere und hohe Reasoning-Stufen steuern den Aufwand; die hohe Stufe ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
POST /v1beta/models/{model}:generateContenttext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldpath.model | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.1-pro-preview | Standard— |
Feldcontents | Typcontent[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldcontents[].role | Typstring | AnforderungOptional | Werte und Limits user, model | Standard— |
Feldcontents[].parts | Typpart[] | AnforderungErforderlich | Werte und Limits | Standard— |
FeldsystemInstruction | Typcontent | AnforderungOptional | Werte und Limits | Standard— |
FeldgenerationConfig.maxOutputTokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
FeldgenerationConfig.temperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.topP | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.topK | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.stopSequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.thinkingConfig.includeThoughts | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldgenerationConfig.thinkingConfig.thinkingBudget | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].functionDeclarations | Typfunction_declaration[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldtoolConfig.functionCallingConfig.mode | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldsafetySettings | Typobject[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
FeldsessionId | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Text · UTF8-Text
contents[].parts[].text
Text + Bild
parts[].inlineData={mimeType,data}
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragcontents |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1beta/models/{model}:generateContent| Anfragegröße in Token | Eingabe | Ausgabe | Cache-Lesen | Cache-Schreiben | Cache 5 Min. | Cache 1 Stunde |
|---|---|---|---|---|---|---|
| Anfragegröße in Token(0; 200.000] | Eingabe0,002 $ | Ausgabe0,012 $ | Cache-Lesen0,0002 $ | Cache-SchreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
| Anfragegröße in Token(200.000; ∞) | Eingabe0,004 $ | Ausgabe0,018 $ | Cache-Lesen0,0004 $ | Cache-SchreibenBasispreis: — | Cache 5 Min.Basispreis: — | Cache 1 StundeBasispreis: — |
Tarife in USD pro 1K Token. Ist kein Tarif festgelegt, wird der Grundtarif dieser Methode übernommen; «—» bedeutet, dass kein Grundtarif festgelegt ist.
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 2 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.1-pro-preview:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.1-pro-preview:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-3.1-pro-preview", contents="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-3.1-pro-preview", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-3.1-pro-preview',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson oder unterstütztes Streaming
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Kandidaten und Teile einschließlich Funktionsaufrufen, Gedankensignaturen und Verbrauchsdaten beibehalten; Streaming-Abschnitte in der richtigen Reihenfolge zusammensetzen.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
FeldresponseId | Typstring |
FeldmodelVersion | Typstring |
Feldcandidates[].content.parts[] | Typtext|inlineData|functionCall|other part |
Feldcandidates[].finishReason | Typstring |
FeldusageMetadata | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview ist Googles multimodales Reasoning-Modell für komplexe Software-, Algorithmus- und Wissensaufgaben. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text oder Code aus, mit Werkzeugen und strukturierter Ausgabe. Niedrige, mittlere und hohe Reasoning-Stufen steuern den Aufwand; die hohe Stufe ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.1-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.1-pro-preview","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3.1-pro-preview", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview ist Googles multimodales Reasoning-Modell für komplexe Software-, Algorithmus- und Wissensaufgaben. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text oder Code aus, mit Werkzeugen und strukturierter Ausgabe. Niedrige, mittlere und hohe Reasoning-Stufen steuern den Aufwand; die hohe Stufe ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.1-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-3.1-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-pro-preview', '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-3.1-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
google/gemini-3.1-pro-previewGemini 3.1 Pro Preview ist Googles multimodales Reasoning-Modell für komplexe Software-, Algorithmus- und Wissensaufgaben. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text oder Code aus, mit Werkzeugen und strukturierter Ausgabe. Niedrige, mittlere und hohe Reasoning-Stufen steuern den Aufwand; die hohe Stufe ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-3.1-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.1-pro-preview", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemini-3.1-pro-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemini-3.1-pro-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
google/gemini-3.1-pro-previewGemini 3.1 Pro Preview ist Googles multimodales Reasoning-Modell für komplexe Software-, Algorithmus- und Wissensaufgaben. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text oder Code aus, mit Werkzeugen und strukturierter Ausgabe. Niedrige, mittlere und hohe Reasoning-Stufen steuern den Aufwand; die hohe Stufe ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Pro Preview ist Googles denkorientiertes Textmodell für komplexe Aufgaben, die Softwareentwicklung, algorithmische Entwicklung oder die Zusammenführung multimodaler Belege benötigen. Es baut auf Gemini 3 Pro auf und betont präzise Werkzeugnutzung, effizienteres Denken und zuverlässige mehrstufige Ausführung. Text, Bilder, Audio, Video und PDF können zu einer schriftlichen Antwort, einem Codeergebnis oder einem strukturierten Ergebnis beitragen.
Stellen Sie für einen anspruchsvollen Programmierauftrag das Ziel, relevante Repository-Inhalte, das beobachtete Verhalten und die zu erhaltenden Bedingungen bereit. Ganze Code-Repositories können Kontext für den Auftrag liefern. Bitten Sie bei einer Prüfung von Codeverträgen das Modell, den Umgang zweier Module mit einem gemeinsamen Datenvertrag zu vergleichen, die Abweichung zu ermitteln und eine gezielte Korrektur mit stützenden Codeverweisen vorzuschlagen. Eine hilfreiche Ausgabe unterscheidet Analyse, vorgeschlagene Überarbeitung und Belege von einer etwaigen Validierung durch die angebundene Anwendung.
Das Einführungsmaterial zeigt codebasierte visuelle Erklärungen und interaktive Projekte, einschließlich animierter SVG-Ausgaben aus einem Textauftrag. Dies sind Codeergebnisse statt Rasterbilderzeugung. Ein klarer Auftrag kann festlegen, was erklärt werden soll, wie sich die Visualisierung verhalten soll und welche Daten sie darstellen soll. Prüfen Sie den entstandenen Code und seine Darstellung anhand dieser Anforderungen. Stellen Sie für die Zusammenführung von Daten die tatsächlichen Quellen bereit und verlangen Sie eine gemeinsame Ansicht, die deren Beziehungen und Einschränkungen erhält.
Die dokumentierten Denkstufen sind low, medium und high, mit high als Standard für 3.1 Pro Preview. Der Denkprozess lässt sich in diesem Pro-Profil nicht vollständig deaktivieren. Wählen Sie einen geringeren Aufwand für eine klar begrenzte Antwort und mehr Denken für schwierige mehrstufige Arbeit und lassen Sie dabei genügend Ausgabebudget für das Endergebnis. Eine kleine Ausgabegrenze kann den Denkprozess unterbrechen, bevor eine nutzbare abschließende Antwort erscheint. Der Denkleitfaden trennt eine Zusammenfassung der Überlegungen vom vollständigen internen Prozess und erklärt, warum der Denksignaturkontext des Gesprächs wichtig ist.
Die genaue Preview-Tabelle nennt Funktionsaufrufe, Codeausführung, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgaben. Sie begrenzt File Search auf AI Studio. Geben Sie Funktionszwecke und Parameterdefinitionen an und setzen Sie mit dem tatsächlich zurückgegebenen Ergebnis fort. Das separate Profil Custom Tools Preview ist darauf optimiert, benutzerdefinierten Werkzeugen und bash Vorrang zu geben; es ist ein eigenständig benannter Herstellerendpunkt, weshalb diese Spezialisierung nicht stillschweigend als Eigenschaft jeder 3.1 Pro-Anfrage behandelt werden sollte. Wählen Sie ein strukturiertes Ergebnisschema, wenn eine Aufgabe definierte Datensätze statt unbeschränkten Fließtexts benötigt.
Benennen Sie für eine multimodale Analyse die relevante Seite, Darstellung, den Aufnahmeabschnitt oder das Videoereignis. Vergleichen Sie bei einer Dokumentanalyse ein Diagramm mit seiner schriftlichen Spezifikation und geben Sie jede Abweichung mit der stützenden Passage zurück. Eine gesprochene Quelle kann ein Transkript oder eine Interpretation in Textform beitragen. Erhalten Sie Quellenverweise für prüfbedürftige Schlussfolgerungen und trennen Sie Sichtbares oder ausdrücklich Genanntes von Erschlossenem. Die Ausgabe dieses Profils bleibt Text einschließlich Code; native Bild- oder Spracherzeugung gehört nicht zu seiner genauen Fähigkeitentabelle.
Die native Modellkarte für 3.1 Pro nennt bis zu 1M Kontext und 64K Textausgabe, und die genaue Preview-API-Tabelle gibt 1.048.576 Eingabetoken und 65.536 Ausgabetoken an. Rechnen Sie Anweisungen, Gesprächsverlauf und Medien zum Eingabebudget. Caching und Stapelverarbeitung sind dokumentiert; für das Herstellerprofil sind außerdem Flex und Priority aufgeführt. Definieren Sie bei mehreren unabhängigen Elementen die benötigte Ausgabe und erhalten Sie jede Quellkennung, statt unverbundene Belege in einer nicht nachverfolgbaren Antwort zusammenzufassen.
Die benannte Preview-Edition bleibt vom Custom Tools-Profil von Pro und späteren Flash- oder Pro-Veröffentlichungen getrennt. Ihre Stärken betreffen komplexes Denken, Programmierung und die Zusammenführung von Belegen; das Endergebnis muss dennoch anhand der Quelle und tatsächlicher Werkzeugergebnisse geprüft werden. Erhalten Sie ungeklärte Mehrdeutigkeiten, wenn die bereitgestellten Informationen keine eindeutige Schlussfolgerung stützen. Ein hilfreiches Ergebnis ist die verlangte belegte Antwort, der Code oder Datensatz mit genügend Belegen, um seine praktischen Grenzen einzuschätzen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-3.1-pro-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token Ausgabe · Reasoning-Ausgabetoken $0.024 / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich200.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.024 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als200.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.036 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0.00075 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemini-3.1-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.1-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.1-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
Technisches Beispiel auf Englisch
Review a cross-module date contract\n\nReview this contract mismatch. Producer emits {due_date: "2026-11-03"}; consumer reads record.dueDate and displays "No date" when missing. Existing stored records use due_date. Propose the smallest compatible correction and tests for both present and absent dates. Preserve the producer field and do not add a second stored field.A short mismatch analysis, a focused consumer patch and tests covering the stored field and missing-value behavior.Check that the patch reads due_date without changing persisted records or treating an absent date as a valid one.