Gemini 2.5 Flash Preview 09-2025 es la edición preliminar de septiembre del modelo de razonamiento híbrido de Google. Sus entradas documentadas son texto, imágenes, vídeo y audio; la salida es texto. El modelo puede combinar una pregunta con material visual o hablado y producir después una explicación, un documento, código o una respuesta estructurada. Esta edición con fecha concreta se distingue de Gemini 2.5 Flash estable y de un alias móvil de la versión más reciente. Su finalidad es la comprensión multimodal y el trabajo asistido por herramientas con un resultado escrito.
Google describe dos mejoras específicas de esta versión: un mejor uso de herramientas por agentes y una generación de respuestas más económica cuando se activa el razonamiento. La primera se refiere a tareas que requieren varias acciones conectadas, como obtener información, compararla con la solicitud y elegir el siguiente paso. La segunda consiste en producir respuestas útiles con menos tokens generados sin perder calidad. Para un asistente de desarrollo, proporciona el comportamiento observado, el código pertinente y el criterio que define una modificación correcta. Para un asistente de investigación, define la pregunta, el material que debe examinar y las pruebas necesarias para la conclusión.
El razonamiento y la respuesta directa forman parte del diseño híbrido. Una tarea con razonamiento puede analizar dependencias, condiciones matemáticas o un plan de varios pasos antes de preparar la respuesta final. Una extracción sencilla o una explicación breve pueden tener un objetivo de respuesta más simple. Indica qué restricciones son obligatorias, qué puede suponer el modelo y qué debe contener el entregable final. La ficha de la familia del fabricante señala que el cumplimiento de los presupuestos de razonamiento puede ser irregular, por lo que solicitar un presupuesto no demuestra que exista un límite estricto de razonamiento. Esta descripción no atribuye a la edición de septiembre los niveles de razonamiento ni los valores predeterminados de un modelo más reciente.
La tabla específica del modelo de septiembre indica un máximo de 1,048,576 tokens de entrada y 65,536 tokens de salida. Su amplia capacidad de entrada permite incluir instrucciones, ejemplos, texto de referencia y contexto multimedia en una sola tarea. Para comparar unos requisitos con una solución propuesta, etiqueta ambas fuentes y proporciona un conjunto común de criterios. Para comentar una captura de pantalla, identifica el estado o componente pertinente; para una tarea de audio o vídeo, señala la pregunta o el acontecimiento en lugar de pedir una descripción sin un objetivo definido. El resultado sigue siendo texto: la creación nativa de imágenes, la generación de voz y el diálogo hablado en tiempo real corresponden a otros perfiles de modelo.
Google documenta las llamadas a funciones, la ejecución de código, la fundamentación mediante búsquedas, el contexto de URL y la búsqueda de archivos para esta edición preliminar concreta. Las llamadas a funciones seleccionan una función declarada y preparan sus argumentos; la aplicación conectada realiza la operación y devuelve su resultado. La ejecución de código utiliza Python generado para realizar cálculos o procesar texto. La fundamentación mediante búsquedas aporta material web para una respuesta informada por fuentes, mientras que el contexto de URL trabaja con el contenido de páginas accesibles especificadas. La búsqueda de archivos ofrece otra capacidad de recuperación de fuentes. Asigna al agente una finalidad clara para cada herramienta y especifica la información esperada de cada paso, para que el flujo de trabajo pueda continuar a partir del resultado realmente devuelto.
La compatibilidad con salidas estructuradas permite utilizar el entregable final como un conjunto de campos definidos. Para una comparación, solicita un criterio, el pasaje correspondiente de la fuente, la diferencia observada y la pregunta que aún necesita aclaración. Para una tarea de código, separa la modificación propuesta de su explicación y de las comprobaciones todavía necesarias. El perfil específico del modelo de Google también incluye compatibilidad con el almacenamiento en caché del contexto y el procesamiento por lotes. El material de referencia repetido puede mantenerse coherente entre tareas relacionadas; la caché no demuestra por sí sola que una solicitud concreta haya reutilizado tokens almacenados. Estos nombres de capacidades no implican combinaciones de esquemas más recientes, umbrales de caché ni modos de herramientas simultáneos.
La ficha de la familia describe un transformador disperso de mezcla de expertos con comprensión nativa de texto, imágenes y audio. El entrenamiento combina texto web, código, imágenes, audio y vídeo; el ajuste posterior incluye pares de instrucciones y respuestas multimodales, preferencias humanas y datos de uso de herramientas. La preparación de los datos aplica deduplicación y filtros de seguridad y calidad. La página del modelo con esta fecha concreta establece enero de 2025 como fecha límite de conocimientos. Las preguntas que requieren información más reciente deben identificar sus fuentes o un paso de recuperación apropiado, en lugar de tratar los conocimientos del entrenamiento como una fuente de información en directo.
Entre las limitaciones sustanciales se encuentran la posible invención de hechos y las dificultades de comprensión causal, deducción lógica compleja y razonamiento contrafactual. La ficha de la familia también señala que las respuestas pueden adoptar a veces un tono innecesariamente aleccionador. Para obtener un resultado útil, exige que el modelo distinga los hechos de las fuentes, los supuestos y las acciones propuestas, y examina después las partes que determinan la decisión. Un entregable completo de un agente podría incluir los hallazgos, un siguiente paso justificado, la información obtenida de las herramientas y cualquier pregunta pendiente. El énfasis de la versión de septiembre en el uso de herramientas ayuda a definir ese flujo de trabajo, mientras que las entradas preparadas y los criterios explícitos de finalización lo mantienen vinculado a la tarea del usuario.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 es la edición preliminar de septiembre del modelo de razonamiento híbrido de Google. Sus entradas documentadas son texto, imágenes, vídeo y audio; la salida es texto. El modelo puede combinar una pregunta con material visual o hablado y producir después una explicación, un documento, código o una respuesta estructurada. Esta edición con fecha concreta se distingue de Gemini 2.5 Flash estable y de un alias móvil de la versión más reciente. Su finalidad es la comprensión multimodal y el trabajo asistido por herramientas con un resultado escrito.\n\nGoogle describe dos mejoras específicas de esta versión: un mejor uso de herramientas por agentes y una generación de respuestas más económica cuando se activa el razonamiento. La primera se refiere a tareas que requieren varias acciones conectadas, como obtener información, compararla con la solicitud y elegir el siguiente paso. La segunda consiste en producir respuestas útiles con menos tokens generados sin perder calidad. Para un asistente de desarrollo, proporciona el comportamiento observado, el código pertinente y el criterio que define una modificación correcta. Para un asistente de investigación, define la pregunta, el material que debe examinar y las pruebas necesarias para la conclusión.\n\nEl razonamiento y la respuesta directa forman parte del diseño híbrido. Una tarea con razonamiento puede analizar dependencias, condiciones matemáticas o un plan de varios pasos antes de preparar la respuesta final. Una extracción sencilla o una explicación breve pueden tener un objetivo de respuesta más simple. Indica qué restricciones son obligatorias, qué puede suponer el modelo y qué debe contener el entregable final. La ficha de la familia del fabricante señala que el cumplimiento de los presupuestos de razonamiento puede ser irregular, por lo que solicitar un presupuesto no demuestra que exista un límite estricto de razonamiento. Esta descripción no atribuye a la edición de septiembre los niveles de razonamiento ni los valores predeterminados de un modelo más reciente.\n\nLa tabla específica del modelo de septiembre indica un máximo de 1,048,576 tokens de entrada y 65,536 tokens de salida. Su amplia capacidad de entrada permite incluir instrucciones, ejemplos, texto de referencia y contexto multimedia en una sola tarea. Para comparar unos requisitos con una solución propuesta, etiqueta ambas fuentes y proporciona un conjunto común de criterios. Para comentar una captura de pantalla, identifica el estado o componente pertinente; para una tarea de audio o vídeo, señala la pregunta o el acontecimiento en lugar de pedir una descripción sin un objetivo definido. El resultado sigue siendo texto: la creación nativa de imágenes, la generación de voz y el diálogo hablado en tiempo real corresponden a otros perfiles de modelo.\n\nGoogle documenta las llamadas a funciones, la ejecución de código, la fundamentación mediante búsquedas, el contexto de URL y la búsqueda de archivos para esta edición preliminar concreta. Las llamadas a funciones seleccionan una función declarada y preparan sus argumentos; la aplicación conectada realiza la operación y devuelve su resultado. La ejecución de código utiliza Python generado para realizar cálculos o procesar texto. La fundamentación mediante búsquedas aporta material web para una respuesta informada por fuentes, mientras que el contexto de URL trabaja con el contenido de páginas accesibles especificadas. La búsqueda de archivos ofrece otra capacidad de recuperación de fuentes. Asigna al agente una finalidad clara para cada herramienta y especifica la información esperada de cada paso, para que el flujo de trabajo pueda continuar a partir del resultado realmente devuelto.\n\nLa compatibilidad con salidas estructuradas permite utilizar el entregable final como un conjunto de campos definidos. Para una comparación, solicita un criterio, el pasaje correspondiente de la fuente, la diferencia observada y la pregunta que aún necesita aclaración. Para una tarea de código, separa la modificación propuesta de su explicación y de las comprobaciones todavía necesarias. El perfil específico del modelo de Google también incluye compatibilidad con el almacenamiento en caché del contexto y el procesamiento por lotes. El material de referencia repetido puede mantenerse coherente entre tareas relacionadas; la caché no demuestra por sí sola que una solicitud concreta haya reutilizado tokens almacenados. Estos nombres de capacidades no implican combinaciones de esquemas más recientes, umbrales de caché ni modos de herramientas simultáneos.\n\nLa ficha de la familia describe un transformador disperso de mezcla de expertos con comprensión nativa de texto, imágenes y audio. El entrenamiento combina texto web, código, imágenes, audio y vídeo; el ajuste posterior incluye pares de instrucciones y respuestas multimodales, preferencias humanas y datos de uso de herramientas. La preparación de los datos aplica deduplicación y filtros de seguridad y calidad. La página del modelo con esta fecha concreta establece enero de 2025 como fecha límite de conocimientos. Las preguntas que requieren información más reciente deben identificar sus fuentes o un paso de recuperación apropiado, en lugar de tratar los conocimientos del entrenamiento como una fuente de información en directo.\n\nEntre las limitaciones sustanciales se encuentran la posible invención de hechos y las dificultades de comprensión causal, deducción lógica compleja y razonamiento contrafactual. La ficha de la familia también señala que las respuestas pueden adoptar a veces un tono innecesariamente aleccionador. Para obtener un resultado útil, exige que el modelo distinga los hechos de las fuentes, los supuestos y las acciones propuestas, y examina después las partes que determinan la decisión. Un entregable completo de un agente podría incluir los hallazgos, un siguiente paso justificado, la información obtenida de las herramientas y cualquier pregunta pendiente. El énfasis de la versión de septiembre en el uso de herramientas ayuda a definir ese flujo de trabajo, mientras que las entradas preparadas y los criterios explícitos de finalización lo mantienen vinculado a la tarea del usuario.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 es la edición de septiembre de Google para el análisis multimodal y el trabajo en varios pasos con herramientas. Combina la comprensión de texto, imágenes, vídeo y audio con razonamiento, respuestas estructuradas y un límite de entrada de 1,048,576 tokens, e incorpora mejoras específicas en el uso de herramientas por agentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Gemini 2.5 Flash Preview 09-2025 es la edición preliminar de septiembre del modelo de razonamiento híbrido de Google. Sus entradas documentadas son texto, imágenes, vídeo y audio; la salida es texto. El modelo puede combinar una pregunta con material visual o hablado y producir después una explicación, un documento, código o una respuesta estructurada. Esta edición con fecha concreta se distingue de Gemini 2.5 Flash estable y de un alias móvil de la versión más reciente. Su finalidad es la comprensión multimodal y el trabajo asistido por herramientas con un resultado escrito.
Google describe dos mejoras específicas de esta versión: un mejor uso de herramientas por agentes y una generación de respuestas más económica cuando se activa el razonamiento. La primera se refiere a tareas que requieren varias acciones conectadas, como obtener información, compararla con la solicitud y elegir el siguiente paso. La segunda consiste en producir respuestas útiles con menos tokens generados sin perder calidad. Para un asistente de desarrollo, proporciona el comportamiento observado, el código pertinente y el criterio que define una modificación correcta. Para un asistente de investigación, define la pregunta, el material que debe examinar y las pruebas necesarias para la conclusión.
El razonamiento y la respuesta directa forman parte del diseño híbrido. Una tarea con razonamiento puede analizar dependencias, condiciones matemáticas o un plan de varios pasos antes de preparar la respuesta final. Una extracción sencilla o una explicación breve pueden tener un objetivo de respuesta más simple. Indica qué restricciones son obligatorias, qué puede suponer el modelo y qué debe contener el entregable final. La ficha de la familia del fabricante señala que el cumplimiento de los presupuestos de razonamiento puede ser irregular, por lo que solicitar un presupuesto no demuestra que exista un límite estricto de razonamiento. Esta descripción no atribuye a la edición de septiembre los niveles de razonamiento ni los valores predeterminados de un modelo más reciente.
La tabla específica del modelo de septiembre indica un máximo de 1,048,576 tokens de entrada y 65,536 tokens de salida. Su amplia capacidad de entrada permite incluir instrucciones, ejemplos, texto de referencia y contexto multimedia en una sola tarea. Para comparar unos requisitos con una solución propuesta, etiqueta ambas fuentes y proporciona un conjunto común de criterios. Para comentar una captura de pantalla, identifica el estado o componente pertinente; para una tarea de audio o vídeo, señala la pregunta o el acontecimiento en lugar de pedir una descripción sin un objetivo definido. El resultado sigue siendo texto: la creación nativa de imágenes, la generación de voz y el diálogo hablado en tiempo real corresponden a otros perfiles de modelo.
Google documenta las llamadas a funciones, la ejecución de código, la fundamentación mediante búsquedas, el contexto de URL y la búsqueda de archivos para esta edición preliminar concreta. Las llamadas a funciones seleccionan una función declarada y preparan sus argumentos; la aplicación conectada realiza la operación y devuelve su resultado. La ejecución de código utiliza Python generado para realizar cálculos o procesar texto. La fundamentación mediante búsquedas aporta material web para una respuesta informada por fuentes, mientras que el contexto de URL trabaja con el contenido de páginas accesibles especificadas. La búsqueda de archivos ofrece otra capacidad de recuperación de fuentes. Asigna al agente una finalidad clara para cada herramienta y especifica la información esperada de cada paso, para que el flujo de trabajo pueda continuar a partir del resultado realmente devuelto.
La compatibilidad con salidas estructuradas permite utilizar el entregable final como un conjunto de campos definidos. Para una comparación, solicita un criterio, el pasaje correspondiente de la fuente, la diferencia observada y la pregunta que aún necesita aclaración. Para una tarea de código, separa la modificación propuesta de su explicación y de las comprobaciones todavía necesarias. El perfil específico del modelo de Google también incluye compatibilidad con el almacenamiento en caché del contexto y el procesamiento por lotes. El material de referencia repetido puede mantenerse coherente entre tareas relacionadas; la caché no demuestra por sí sola que una solicitud concreta haya reutilizado tokens almacenados. Estos nombres de capacidades no implican combinaciones de esquemas más recientes, umbrales de caché ni modos de herramientas simultáneos.
La ficha de la familia describe un transformador disperso de mezcla de expertos con comprensión nativa de texto, imágenes y audio. El entrenamiento combina texto web, código, imágenes, audio y vídeo; el ajuste posterior incluye pares de instrucciones y respuestas multimodales, preferencias humanas y datos de uso de herramientas. La preparación de los datos aplica deduplicación y filtros de seguridad y calidad. La página del modelo con esta fecha concreta establece enero de 2025 como fecha límite de conocimientos. Las preguntas que requieren información más reciente deben identificar sus fuentes o un paso de recuperación apropiado, en lugar de tratar los conocimientos del entrenamiento como una fuente de información en directo.
Entre las limitaciones sustanciales se encuentran la posible invención de hechos y las dificultades de comprensión causal, deducción lógica compleja y razonamiento contrafactual. La ficha de la familia también señala que las respuestas pueden adoptar a veces un tono innecesariamente aleccionador. Para obtener un resultado útil, exige que el modelo distinga los hechos de las fuentes, los supuestos y las acciones propuestas, y examina después las partes que determinan la decisión. Un entregable completo de un agente podría incluir los hallazgos, un siguiente paso justificado, la información obtenida de las herramientas y cualquier pregunta pendiente. El énfasis de la versión de septiembre en el uso de herramientas ayuda a definir ese flujo de trabajo, mientras que las entradas preparadas y los criterios explícitos de finalización lo mantienen vinculado a la tarea del usuario.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gemini-2.5-flash-preview-09-2025 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0006 / 1K tokens Salida · Tokens de salida $0.005 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Usa las rutas de método indicadas arriba.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 es la edición de septiembre de Google para el análisis multimodal y el trabajo en varios pasos con herramientas. Combina la comprensión de texto, imágenes, vídeo y audio con razonamiento, respuestas estructuradas y un límite de entrada de 1,048,576 tokens, e incorpora mejoras específicas en el uso de herramientas por agentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Gemini 2.5 Flash Preview 09-2025 es la edición preliminar de septiembre del modelo de razonamiento híbrido de Google. Sus entradas documentadas son texto, imágenes, vídeo y audio; la salida es texto. El modelo puede combinar una pregunta con material visual o hablado y producir después una explicación, un documento, código o una respuesta estructurada. Esta edición con fecha concreta se distingue de Gemini 2.5 Flash estable y de un alias móvil de la versión más reciente. Su finalidad es la comprensión multimodal y el trabajo asistido por herramientas con un resultado escrito.
Google describe dos mejoras específicas de esta versión: un mejor uso de herramientas por agentes y una generación de respuestas más económica cuando se activa el razonamiento. La primera se refiere a tareas que requieren varias acciones conectadas, como obtener información, compararla con la solicitud y elegir el siguiente paso. La segunda consiste en producir respuestas útiles con menos tokens generados sin perder calidad. Para un asistente de desarrollo, proporciona el comportamiento observado, el código pertinente y el criterio que define una modificación correcta. Para un asistente de investigación, define la pregunta, el material que debe examinar y las pruebas necesarias para la conclusión.
El razonamiento y la respuesta directa forman parte del diseño híbrido. Una tarea con razonamiento puede analizar dependencias, condiciones matemáticas o un plan de varios pasos antes de preparar la respuesta final. Una extracción sencilla o una explicación breve pueden tener un objetivo de respuesta más simple. Indica qué restricciones son obligatorias, qué puede suponer el modelo y qué debe contener el entregable final. La ficha de la familia del fabricante señala que el cumplimiento de los presupuestos de razonamiento puede ser irregular, por lo que solicitar un presupuesto no demuestra que exista un límite estricto de razonamiento. Esta descripción no atribuye a la edición de septiembre los niveles de razonamiento ni los valores predeterminados de un modelo más reciente.
La tabla específica del modelo de septiembre indica un máximo de 1,048,576 tokens de entrada y 65,536 tokens de salida. Su amplia capacidad de entrada permite incluir instrucciones, ejemplos, texto de referencia y contexto multimedia en una sola tarea. Para comparar unos requisitos con una solución propuesta, etiqueta ambas fuentes y proporciona un conjunto común de criterios. Para comentar una captura de pantalla, identifica el estado o componente pertinente; para una tarea de audio o vídeo, señala la pregunta o el acontecimiento en lugar de pedir una descripción sin un objetivo definido. El resultado sigue siendo texto: la creación nativa de imágenes, la generación de voz y el diálogo hablado en tiempo real corresponden a otros perfiles de modelo.
Google documenta las llamadas a funciones, la ejecución de código, la fundamentación mediante búsquedas, el contexto de URL y la búsqueda de archivos para esta edición preliminar concreta. Las llamadas a funciones seleccionan una función declarada y preparan sus argumentos; la aplicación conectada realiza la operación y devuelve su resultado. La ejecución de código utiliza Python generado para realizar cálculos o procesar texto. La fundamentación mediante búsquedas aporta material web para una respuesta informada por fuentes, mientras que el contexto de URL trabaja con el contenido de páginas accesibles especificadas. La búsqueda de archivos ofrece otra capacidad de recuperación de fuentes. Asigna al agente una finalidad clara para cada herramienta y especifica la información esperada de cada paso, para que el flujo de trabajo pueda continuar a partir del resultado realmente devuelto.
La compatibilidad con salidas estructuradas permite utilizar el entregable final como un conjunto de campos definidos. Para una comparación, solicita un criterio, el pasaje correspondiente de la fuente, la diferencia observada y la pregunta que aún necesita aclaración. Para una tarea de código, separa la modificación propuesta de su explicación y de las comprobaciones todavía necesarias. El perfil específico del modelo de Google también incluye compatibilidad con el almacenamiento en caché del contexto y el procesamiento por lotes. El material de referencia repetido puede mantenerse coherente entre tareas relacionadas; la caché no demuestra por sí sola que una solicitud concreta haya reutilizado tokens almacenados. Estos nombres de capacidades no implican combinaciones de esquemas más recientes, umbrales de caché ni modos de herramientas simultáneos.
La ficha de la familia describe un transformador disperso de mezcla de expertos con comprensión nativa de texto, imágenes y audio. El entrenamiento combina texto web, código, imágenes, audio y vídeo; el ajuste posterior incluye pares de instrucciones y respuestas multimodales, preferencias humanas y datos de uso de herramientas. La preparación de los datos aplica deduplicación y filtros de seguridad y calidad. La página del modelo con esta fecha concreta establece enero de 2025 como fecha límite de conocimientos. Las preguntas que requieren información más reciente deben identificar sus fuentes o un paso de recuperación apropiado, en lugar de tratar los conocimientos del entrenamiento como una fuente de información en directo.
Entre las limitaciones sustanciales se encuentran la posible invención de hechos y las dificultades de comprensión causal, deducción lógica compleja y razonamiento contrafactual. La ficha de la familia también señala que las respuestas pueden adoptar a veces un tono innecesariamente aleccionador. Para obtener un resultado útil, exige que el modelo distinga los hechos de las fuentes, los supuestos y las acciones propuestas, y examina después las partes que determinan la decisión. Un entregable completo de un agente podría incluir los hallazgos, un siguiente paso justificado, la información obtenida de las herramientas y cualquier pregunta pendiente. El énfasis de la versión de septiembre en el uso de herramientas ayuda a definir ese flujo de trabajo, mientras que las entradas preparadas y los criterios explícitos de finalización lo mantienen vinculado a la tarea del usuario.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gemini-2.5-flash-preview-09-2025 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0006 / 1K tokens Salida · Tokens de salida $0.005 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.