Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
", "aboutText": "Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.\n\nDefinieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.\n\nDie dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.\n\nEine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.\n\nDie genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.\n\nDer Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.\n\nDie native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.\n\nMögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a support message record\n\nExtract fields from message S-91: "The pump P-28 stopped after ten minutes. I bought two, but only one has this issue. Please arrange a replacement." Return message ID, product code, issue, purchased quantity and affected quantity in a small table. Include the exact supporting phrase for each extracted value.A field/value/evidence table retaining S-91 and separating purchased from affected quantity.Check that two purchased pumps do not become two defective pumps.gemini-3.5-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.5-flash-lite | 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/messagesAiloot 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${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-3.5-flash-lite", "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-3.5-flash-lite", "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-3.5-flash-lite",\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-3.5-flash-lite",\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-3.5-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1beta/models/{model}:generateContenttext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldpath.model | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.5-flash-lite | 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}:generateContentAiloot 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${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-3.5-flash-lite: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-3.5-flash-lite: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-3.5-flash-lite", 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-3.5-flash-lite", 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-3.5-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.5-flash-lite | 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.5-flash-lite","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-3.5-flash-lite", 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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.5-flash-lite | 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gemini-3.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.5-flash-lite', '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-3.5-flash-lite', '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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-flash-lite | 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/messagesAiloot 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${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-flash-lite", "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-flash-lite", "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-flash-lite",\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-flash-lite",\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-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1beta/models/{model}:generateContenttext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldpath.model | Typstring | AnforderungErforderlich | Werte und Limits gemini-flash-lite | 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}:generateContentAiloot 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${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-flash-lite: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-flash-lite: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-flash-lite", 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-flash-lite", 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-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-lite-latestGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-flash-lite-latest | 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/messagesAiloot 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${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-flash-lite-latest", "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-flash-lite-latest", "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-flash-lite-latest",\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-flash-lite-latest",\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-flash-lite-latest',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-lite-latestGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1beta/models/{model}:generateContenttext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldpath.model | Typstring | AnforderungErforderlich | Werte und Limits gemini-flash-lite-latest | 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}:generateContentAiloot 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${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-flash-lite-latest: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-flash-lite-latest: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-flash-lite-latest", 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-flash-lite-latest", 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-flash-lite-latest',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
google/gemini-3.5-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-3.5-flash-lite | 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.5-flash-lite", "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-3.5-flash-lite',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-3.5-flash-lite',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
google/gemini-3.5-flash-liteGemini 3.5 Flash-Lite ist Googles multimodales Modell für gezielte Teilagentenaufgaben, Dokumentauswertung und wiederholte Datenextraktion. Die Standarddenkstufe minimal eignet sich für klar begrenzte Datensätze; medium oder high ist für mehrstufige Werkzeugarbeit dokumentiert. Es gibt Text oder strukturierte Ergebnisse aus Text, Bildern, Audio, Video und PDF zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.5 Flash-Lite ist Googles auf Ausführung ausgerichtetes multimodales Textprofil für wiederkehrende Datenarbeit und gezielte Aufgaben von Unteragenten. Es baut auf Gemini 3.1 Flash-Lite auf und verbessert Dokumentverständnis, Werkzeugzuverlässigkeit und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Es nimmt Text, Bilder, Audio, Video und PDF entgegen und gibt Text zurück. Ein hilfreiches Ergebnis ist ein extrahierter Datensatz, eine Klassifikation, eine kurze Übersetzung oder eine begrenzte werkzeuggestützte Analyse innerhalb einer größeren Aufgabe.
Definieren Sie für die Dokumentauswertung die wichtigen Felder und die Belege, die jedes Feld bewahren muss. Geben Sie die relevanten Seiten vor und legen Sie fest, wie fehlende oder mehrdeutige Informationen darzustellen sind. Extrahieren Sie bei einer Supportnachricht Produktcode, genanntes Problem und belegenden Satz und bewahren Sie die Nachrichtenkennung in der Antwort. Enthält ein Dokument mehrere Kandidaten für ein Feld, dürfen diese nicht stillschweigend zu einem geratenen Wert zusammengezogen werden. Strukturiertes JSON kann das Ergebnis für die weitere Verarbeitung nutzbar machen, wenn sein Schema zur tatsächlichen Aufgabe passt.
Die dokumentierten Thinking-Stufen sind minimal, low, medium und high mit minimal als Standard. Der Hersteller empfiehlt diesen Standard für Extraktion, Routing und Klassifikation mit hohem Volumen; medium oder high eignet sich für autonome Arbeit von Unteragenten mit Werkzeugaufrufen, Codeausführung oder mehreren Reasoning-Schritten. Der Leitfaden rät ausdrücklich, für diese längeren Aufgaben den Aufwand zu erhöhen, um vorzeitiges Beenden der Werkzeugnutzung zu vermeiden. Eine Einfeldextraktion und ein Dokumentvergleich mit Ausnahmen profitieren deshalb von unterschiedlichen Aufwandsoptionen. Minimal ist eine unterstützte Einstellung dieser Edition und keine allgemeine Einstellung zur Übertragung auf jedes Flash-Modell.
Eine gezielte Aufgabenbeschreibung für einen Unteragenten sollte einen Auftrag, dessen Quellmaterial, erlaubte Werkzeuge und die erforderliche Endform enthalten. Er kann beispielsweise eine Tabelle auf eine vorgegebene Regel prüfen und die betroffenen Zeilen mit relevanten Werten zurückgeben. Der Hersteller hebt außerdem die Verarbeitung von Tabellendaten und Frontend-JavaScript-Arbeit mit Unterstützung leichter Codeausführung hervor. Die umgebende Anwendung bleibt dafür verantwortlich, eine angeforderte Funktion auszuführen und das tatsächliche Ergebnis zurückzugeben. Halten Sie ein fertiges Ergebnis von einem nicht ausgeführten Vorschlag oder einer ungeklärten Eingabefrage unterscheidbar.
Die genaue Seite von 3.5 Flash-Lite nennt Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps-Grounding und URL-Kontext; Computer Use ist als Preview gekennzeichnet. Strukturierte Ausgabe und Thinking werden unterstützt. Bewahren Sie für eine mehrstufige Persona oder Aufgabe die tatsächlichen Anweisungen und Werkzeugbeobachtungen, damit spätere Antworten demselben Auftrag folgen. Der Entwicklerleitfaden hebt stärkere Persona-Beständigkeit als bei 3.1 Flash-Lite hervor. Verwenden Sie eine knappe Rolle und einen Ausgabevertrag, statt das Ziel bei jeder Anschlussfrage neu zu definieren.
Der Leitfaden stuft außerdem alte Sampling-Einstellungen und vorab befüllte endgültige Modellbeiträge für diese Edition als veraltet ein. Steuern Sie eine begrenzte Antwort mit ausdrücklichen Anweisungen oder einem Schema, statt die Antwort in einem künstlichen Beitrag mit Modellrolle zu beginnen. Bewahren Sie den Kontext der Gemini-3-Gedankensignaturen, wo die Schnittstelle ihn verlangt, und ordnen Sie Funktionsergebnisse ihren Aufrufen zu. Diese Vorbereitungsregeln unterstützen eine Fortsetzung, die weiterhin die zur Erledigung desselben Auftrags nötigen Belege enthält.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die genaue API-Seite legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Anweisungen, Datensätze, Verlauf und Medien tragen alle zur Eingabevorbereitung bei. Caching, Batch, Flex und Priority sind als Optionen des Herstellerprofils aufgeführt. Verwenden Sie für wiederholte Anfragen stabile Kennungen und ein kompaktes, einheitliches Antwortformat, damit jede Extraktion mit ihrer Quelle verglichen werden kann. Audio-, Bild- oder Videoeingaben erzeugen in diesem Profil eine Textinterpretation oder ein Transkript und keine erzeugte Sprache oder Grafik.
Mögliche Einschränkungen sind Halluzinationen und gelegentliche Verzögerungen oder Zeitüberschreitungen. Der Wissensstand reicht bis März 2026, in manchen Bereichen nur bis Januar 2025. Quellenabhängige Extraktion sollte zurückgeben, was das bereitgestellte Material stützt; Fragen zu aktuellen Fakten benötigen aktuelle Belege. Gegenüber 3.1 Flash-Lite ergänzt dieses Profil die dokumentierten Ausführungs- und Computerbedienungsfähigkeiten, während 3.6 Flash komplexere Programmier- und räumliche Aufgaben betont. Prüfen Sie extrahierte Felder, Werkzeugergebnisse und beibehaltene Anweisungen, bevor Sie die Antwort in einen größeren Ablauf übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-3.5-flash-lite | 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0.00006 / 1K Token Eingabe · Cache-Schreiben $0.0001666666666666666 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemini-3.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.5-flash-lite', '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-3.5-flash-lite', '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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
Technisches Beispiel auf Englisch
Extract a support message record\n\nExtract fields from message S-91: "The pump P-28 stopped after ten minutes. I bought two, but only one has this issue. Please arrange a replacement." Return message ID, product code, issue, purchased quantity and affected quantity in a small table. Include the exact supporting phrase for each extracted value.A field/value/evidence table retaining S-91 and separating purchased from affected quantity.Check that two purchased pumps do not become two defective pumps.