Gemini 2.5 Flash-Lite Preview 06-17 est la préversion de juin de Flash-Lite de Google, conçue pour des tâches fréquentes sensibles à la latence, comme la classification de messages et le résumé de contenus à grande échelle. Elle appartient à la famille Gemini 2.5 avec raisonnement, tout en conservant une voie de réponse directe pour les tâches simples. La désignation datée Preview distingue cette version de Flash-Lite stable et de la préversion ultérieure de septembre, dont les améliorations du respect des instructions et du traitement multimodal appartiennent à une édition distincte.
Le lancement de juin place la classification et le résumé au centre de ses usages prévus. Une entrée de classification utile contient le message, les catégories autorisées et des exemples de leurs frontières ; la sortie peut être une catégorie, une brève justification et les informations nécessaires à l’étape de traitement suivante. Une tâche de résumé peut préciser les décisions, les actions à mener, les échéances nommées et les questions non résolues à conserver. Ces applications pratiques de l’objectif annoncé donnent à une opération répétitive une entrée claire et un résultat compact, au lieu de demander un essai ouvert.
Le raisonnement est disponible mais désactivé par défaut dans cette préversion Flash-Lite de juin. Google décrit un budget de raisonnement réglable qui permet d’ajouter du raisonnement lorsque les conditions de la tâche le nécessitent. Conservez la voie directe pour une catégorisation ou une réduction de texte simple ; utilisez une tâche raisonnée pour des catégories qui se chevauchent, des exceptions ou une question exigeant plusieurs conclusions dépendantes. Précisez les conditions obligatoires et ce qui constitue une réponse correcte. Le raisonnement est une capacité de traitement des tâches ; une explication plus longue ne prouve pas en elle-même que la conclusion est correcte.
Le rapport technique de Google nomme explicitement ce modèle de juin et documente la prise en charge d’entrées multimodales et une longueur de contexte d’un million de tokens. Son résultat est du texte. Le contexte offre de la place aux sources, aux instructions et aux exemples dans la même tâche. Attribuez à chaque document ou section un rôle clair, puis indiquez ce que le modèle doit extraire ou comparer. Pour un assistant documentaire, séparez la question du texte source et demandez un résultat rattaché aux passages pertinents. Pour une étape d’extraction, définissez les champs et la manière de représenter les informations absentes des sources. Cette capacité de contexte ne promet pas que des éléments sans rapport deviendront utiles simplement parce qu’ils ont été inclus.
L’annonce de juin énumère des outils natifs d’ancrage dans la recherche, d’exécution de code et de contexte d’URL, ainsi que l’appel de fonctions. L’ancrage dans la recherche ajoute des informations du Web à la réponse ; le contexte d’URL utilise le contenu des pages fournies pour des tâches comme la comparaison de documents ou l’extraction de détails. L’outil d’exécution de code de Google génère et exécute du Python pour des calculs ou du traitement textuel, puis utilise le résultat d’exécution dans la réponse. L’appel de fonctions a un autre rôle : le modèle sélectionne une fonction déclarée et ses arguments, tandis que l’application connectée l’exécute et renvoie le résultat. Définissez l’objectif de la fonction et les paramètres autorisés afin que la tâche assistée par des outils ait une prochaine action explicite.
Pour un processus récurrent, préparez un petit ensemble d’entrées représentatives avant d’appliquer la même instruction à une collection plus large. Incluez un cas ordinaire, un cas ambigu et un cas où des informations manquent. Un exemple d’assistance client peut demander un thème, la question réelle du client et une réponse fondée uniquement sur un passage de référence joint. Un exemple de correspondance peut demander une liste de tâches avec une action, la personne qui l’attribue et une échéance uniquement si elle est indiquée. Séparez ces champs demandés de toute explication afin de pouvoir vérifier le texte obtenu par rapport à l’élément d’origine.
La fiche de famille Flash-Lite du fabricant signale la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. Elle indique aussi que le respect du budget de raisonnement peut être irrégulier. Traitez ces éléments comme des points de contrôle concrets : comparez les faits extraits à la source, vérifiez les calculs dépendants et distinguez une affirmation observée d’une explication déduite. Le livrable utile est une classification, un résumé, une extraction ou une réponse compacte dont les faits requis et les informations manquantes peuvent être examinés. Cette édition de juin constitue un choix distinct de traitement textuel ; les spécifications de préversions ultérieures ne redéfinissent pas son identité documentée.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 06-17 est la préversion de juin de Flash-Lite de Google, conçue pour des tâches fréquentes sensibles à la latence, comme la classification de messages et le résumé de contenus à grande échelle. Elle appartient à la famille Gemini 2.5 avec raisonnement, tout en conservant une voie de réponse directe pour les tâches simples. La désignation datée Preview distingue cette version de Flash-Lite stable et de la préversion ultérieure de septembre, dont les améliorations du respect des instructions et du traitement multimodal appartiennent à une édition distincte.\n\nLe lancement de juin place la classification et le résumé au centre de ses usages prévus. Une entrée de classification utile contient le message, les catégories autorisées et des exemples de leurs frontières ; la sortie peut être une catégorie, une brève justification et les informations nécessaires à l’étape de traitement suivante. Une tâche de résumé peut préciser les décisions, les actions à mener, les échéances nommées et les questions non résolues à conserver. Ces applications pratiques de l’objectif annoncé donnent à une opération répétitive une entrée claire et un résultat compact, au lieu de demander un essai ouvert.\n\nLe raisonnement est disponible mais désactivé par défaut dans cette préversion Flash-Lite de juin. Google décrit un budget de raisonnement réglable qui permet d’ajouter du raisonnement lorsque les conditions de la tâche le nécessitent. Conservez la voie directe pour une catégorisation ou une réduction de texte simple ; utilisez une tâche raisonnée pour des catégories qui se chevauchent, des exceptions ou une question exigeant plusieurs conclusions dépendantes. Précisez les conditions obligatoires et ce qui constitue une réponse correcte. Le raisonnement est une capacité de traitement des tâches ; une explication plus longue ne prouve pas en elle-même que la conclusion est correcte.\n\nLe rapport technique de Google nomme explicitement ce modèle de juin et documente la prise en charge d’entrées multimodales et une longueur de contexte d’un million de tokens. Son résultat est du texte. Le contexte offre de la place aux sources, aux instructions et aux exemples dans la même tâche. Attribuez à chaque document ou section un rôle clair, puis indiquez ce que le modèle doit extraire ou comparer. Pour un assistant documentaire, séparez la question du texte source et demandez un résultat rattaché aux passages pertinents. Pour une étape d’extraction, définissez les champs et la manière de représenter les informations absentes des sources. Cette capacité de contexte ne promet pas que des éléments sans rapport deviendront utiles simplement parce qu’ils ont été inclus.\n\nL’annonce de juin énumère des outils natifs d’ancrage dans la recherche, d’exécution de code et de contexte d’URL, ainsi que l’appel de fonctions. L’ancrage dans la recherche ajoute des informations du Web à la réponse ; le contexte d’URL utilise le contenu des pages fournies pour des tâches comme la comparaison de documents ou l’extraction de détails. L’outil d’exécution de code de Google génère et exécute du Python pour des calculs ou du traitement textuel, puis utilise le résultat d’exécution dans la réponse. L’appel de fonctions a un autre rôle : le modèle sélectionne une fonction déclarée et ses arguments, tandis que l’application connectée l’exécute et renvoie le résultat. Définissez l’objectif de la fonction et les paramètres autorisés afin que la tâche assistée par des outils ait une prochaine action explicite.\n\nPour un processus récurrent, préparez un petit ensemble d’entrées représentatives avant d’appliquer la même instruction à une collection plus large. Incluez un cas ordinaire, un cas ambigu et un cas où des informations manquent. Un exemple d’assistance client peut demander un thème, la question réelle du client et une réponse fondée uniquement sur un passage de référence joint. Un exemple de correspondance peut demander une liste de tâches avec une action, la personne qui l’attribue et une échéance uniquement si elle est indiquée. Séparez ces champs demandés de toute explication afin de pouvoir vérifier le texte obtenu par rapport à l’élément d’origine.\n\nLa fiche de famille Flash-Lite du fabricant signale la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. Elle indique aussi que le respect du budget de raisonnement peut être irrégulier. Traitez ces éléments comme des points de contrôle concrets : comparez les faits extraits à la source, vérifiez les calculs dépendants et distinguez une affirmation observée d’une explication déduite. Le livrable utile est une classification, un résumé, une extraction ou une réponse compacte dont les faits requis et les informations manquantes peuvent être examinés. Cette édition de juin constitue un choix distinct de traitement textuel ; les spécifications de préversions ultérieures ne redéfinissent pas son identité documentée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 est l’édition de juin de Google pour la classification à haut débit, le résumé et le traitement textuel reproductible. Elle associe un contexte d’un million de tokens, un raisonnement facultatif et des outils documentés de recherche, de code, de contexte d’URL et d’appel de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash-Lite Preview 06-17 est la préversion de juin de Flash-Lite de Google, conçue pour des tâches fréquentes sensibles à la latence, comme la classification de messages et le résumé de contenus à grande échelle. Elle appartient à la famille Gemini 2.5 avec raisonnement, tout en conservant une voie de réponse directe pour les tâches simples. La désignation datée Preview distingue cette version de Flash-Lite stable et de la préversion ultérieure de septembre, dont les améliorations du respect des instructions et du traitement multimodal appartiennent à une édition distincte.
Le lancement de juin place la classification et le résumé au centre de ses usages prévus. Une entrée de classification utile contient le message, les catégories autorisées et des exemples de leurs frontières ; la sortie peut être une catégorie, une brève justification et les informations nécessaires à l’étape de traitement suivante. Une tâche de résumé peut préciser les décisions, les actions à mener, les échéances nommées et les questions non résolues à conserver. Ces applications pratiques de l’objectif annoncé donnent à une opération répétitive une entrée claire et un résultat compact, au lieu de demander un essai ouvert.
Le raisonnement est disponible mais désactivé par défaut dans cette préversion Flash-Lite de juin. Google décrit un budget de raisonnement réglable qui permet d’ajouter du raisonnement lorsque les conditions de la tâche le nécessitent. Conservez la voie directe pour une catégorisation ou une réduction de texte simple ; utilisez une tâche raisonnée pour des catégories qui se chevauchent, des exceptions ou une question exigeant plusieurs conclusions dépendantes. Précisez les conditions obligatoires et ce qui constitue une réponse correcte. Le raisonnement est une capacité de traitement des tâches ; une explication plus longue ne prouve pas en elle-même que la conclusion est correcte.
Le rapport technique de Google nomme explicitement ce modèle de juin et documente la prise en charge d’entrées multimodales et une longueur de contexte d’un million de tokens. Son résultat est du texte. Le contexte offre de la place aux sources, aux instructions et aux exemples dans la même tâche. Attribuez à chaque document ou section un rôle clair, puis indiquez ce que le modèle doit extraire ou comparer. Pour un assistant documentaire, séparez la question du texte source et demandez un résultat rattaché aux passages pertinents. Pour une étape d’extraction, définissez les champs et la manière de représenter les informations absentes des sources. Cette capacité de contexte ne promet pas que des éléments sans rapport deviendront utiles simplement parce qu’ils ont été inclus.
L’annonce de juin énumère des outils natifs d’ancrage dans la recherche, d’exécution de code et de contexte d’URL, ainsi que l’appel de fonctions. L’ancrage dans la recherche ajoute des informations du Web à la réponse ; le contexte d’URL utilise le contenu des pages fournies pour des tâches comme la comparaison de documents ou l’extraction de détails. L’outil d’exécution de code de Google génère et exécute du Python pour des calculs ou du traitement textuel, puis utilise le résultat d’exécution dans la réponse. L’appel de fonctions a un autre rôle : le modèle sélectionne une fonction déclarée et ses arguments, tandis que l’application connectée l’exécute et renvoie le résultat. Définissez l’objectif de la fonction et les paramètres autorisés afin que la tâche assistée par des outils ait une prochaine action explicite.
Pour un processus récurrent, préparez un petit ensemble d’entrées représentatives avant d’appliquer la même instruction à une collection plus large. Incluez un cas ordinaire, un cas ambigu et un cas où des informations manquent. Un exemple d’assistance client peut demander un thème, la question réelle du client et une réponse fondée uniquement sur un passage de référence joint. Un exemple de correspondance peut demander une liste de tâches avec une action, la personne qui l’attribue et une échéance uniquement si elle est indiquée. Séparez ces champs demandés de toute explication afin de pouvoir vérifier le texte obtenu par rapport à l’élément d’origine.
La fiche de famille Flash-Lite du fabricant signale la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. Elle indique aussi que le respect du budget de raisonnement peut être irrégulier. Traitez ces éléments comme des points de contrôle concrets : comparez les faits extraits à la source, vérifiez les calculs dépendants et distinguez une affirmation observée d’une explication déduite. Le livrable utile est une classification, un résumé, une extraction ou une réponse compacte dont les faits requis et les informations manquantes peuvent être examinés. Cette édition de juin constitue un choix distinct de traitement textuel ; les spécifications de préversions ultérieures ne redéfinissent pas son identité documentée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-lite-preview-06-17 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite-preview-06-17", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-lite-preview-06-17',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-lite-preview-06-17',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-lite-preview-06-17
Utilisez les chemins de méthode indiqués ci-dessus.
gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 est l’édition de juin de Google pour la classification à haut débit, le résumé et le traitement textuel reproductible. Elle associe un contexte d’un million de tokens, un raisonnement facultatif et des outils documentés de recherche, de code, de contexte d’URL et d’appel de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash-Lite Preview 06-17 est la préversion de juin de Flash-Lite de Google, conçue pour des tâches fréquentes sensibles à la latence, comme la classification de messages et le résumé de contenus à grande échelle. Elle appartient à la famille Gemini 2.5 avec raisonnement, tout en conservant une voie de réponse directe pour les tâches simples. La désignation datée Preview distingue cette version de Flash-Lite stable et de la préversion ultérieure de septembre, dont les améliorations du respect des instructions et du traitement multimodal appartiennent à une édition distincte.
Le lancement de juin place la classification et le résumé au centre de ses usages prévus. Une entrée de classification utile contient le message, les catégories autorisées et des exemples de leurs frontières ; la sortie peut être une catégorie, une brève justification et les informations nécessaires à l’étape de traitement suivante. Une tâche de résumé peut préciser les décisions, les actions à mener, les échéances nommées et les questions non résolues à conserver. Ces applications pratiques de l’objectif annoncé donnent à une opération répétitive une entrée claire et un résultat compact, au lieu de demander un essai ouvert.
Le raisonnement est disponible mais désactivé par défaut dans cette préversion Flash-Lite de juin. Google décrit un budget de raisonnement réglable qui permet d’ajouter du raisonnement lorsque les conditions de la tâche le nécessitent. Conservez la voie directe pour une catégorisation ou une réduction de texte simple ; utilisez une tâche raisonnée pour des catégories qui se chevauchent, des exceptions ou une question exigeant plusieurs conclusions dépendantes. Précisez les conditions obligatoires et ce qui constitue une réponse correcte. Le raisonnement est une capacité de traitement des tâches ; une explication plus longue ne prouve pas en elle-même que la conclusion est correcte.
Le rapport technique de Google nomme explicitement ce modèle de juin et documente la prise en charge d’entrées multimodales et une longueur de contexte d’un million de tokens. Son résultat est du texte. Le contexte offre de la place aux sources, aux instructions et aux exemples dans la même tâche. Attribuez à chaque document ou section un rôle clair, puis indiquez ce que le modèle doit extraire ou comparer. Pour un assistant documentaire, séparez la question du texte source et demandez un résultat rattaché aux passages pertinents. Pour une étape d’extraction, définissez les champs et la manière de représenter les informations absentes des sources. Cette capacité de contexte ne promet pas que des éléments sans rapport deviendront utiles simplement parce qu’ils ont été inclus.
L’annonce de juin énumère des outils natifs d’ancrage dans la recherche, d’exécution de code et de contexte d’URL, ainsi que l’appel de fonctions. L’ancrage dans la recherche ajoute des informations du Web à la réponse ; le contexte d’URL utilise le contenu des pages fournies pour des tâches comme la comparaison de documents ou l’extraction de détails. L’outil d’exécution de code de Google génère et exécute du Python pour des calculs ou du traitement textuel, puis utilise le résultat d’exécution dans la réponse. L’appel de fonctions a un autre rôle : le modèle sélectionne une fonction déclarée et ses arguments, tandis que l’application connectée l’exécute et renvoie le résultat. Définissez l’objectif de la fonction et les paramètres autorisés afin que la tâche assistée par des outils ait une prochaine action explicite.
Pour un processus récurrent, préparez un petit ensemble d’entrées représentatives avant d’appliquer la même instruction à une collection plus large. Incluez un cas ordinaire, un cas ambigu et un cas où des informations manquent. Un exemple d’assistance client peut demander un thème, la question réelle du client et une réponse fondée uniquement sur un passage de référence joint. Un exemple de correspondance peut demander une liste de tâches avec une action, la personne qui l’attribue et une échéance uniquement si elle est indiquée. Séparez ces champs demandés de toute explication afin de pouvoir vérifier le texte obtenu par rapport à l’élément d’origine.
La fiche de famille Flash-Lite du fabricant signale la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. Elle indique aussi que le respect du budget de raisonnement peut être irrégulier. Traitez ces éléments comme des points de contrôle concrets : comparez les faits extraits à la source, vérifiez les calculs dépendants et distinguez une affirmation observée d’une explication déduite. Le livrable utile est une classification, un résumé, une extraction ou une réponse compacte dont les faits requis et les informations manquantes peuvent être examinés. Cette édition de juin constitue un choix distinct de traitement textuel ; les spécifications de préversions ultérieures ne redéfinissent pas son identité documentée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-lite-preview-06-17 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-2.5-flash-lite-preview-06-17",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-06-17', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-06-17', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-lite-preview-06-17
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.