Gemini 2.5 Flash Preview 09-2025 est l’édition de préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut associer la question à des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise se distingue de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils avec un résultat écrit.
Google décrit deux améliorations propres à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque le raisonnement est activé. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde consiste à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d’une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.
Le raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus directe. Précisez les contraintes obligatoires, les hypothèses que le modèle peut poser et le contenu attendu du livrable final. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier ; demander un budget ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de raisonnement ou les valeurs par défaut d’un modèle plus récent.
Le tableau propre au modèle de septembre prévoit jusqu’à 1,048,576 tokens d’entrée et 65,536 tokens de sortie. Sa grande capacité d’entrée permet de réunir instructions, exemples, textes de référence et contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour commenter une capture d’écran, indiquez l’état ou le composant concerné ; pour une tâche audio ou vidéo, nommez la question ou l’évènement plutôt que de demander une description sans objectif. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue parlé en temps réel relèvent d’autres profils de modèles.
Google documente l’appel de fonctions, l’exécution de code, l’ancrage dans les résultats de recherche, le contexte d’URL et la recherche dans les fichiers pour cette préversion précise. L’appel de fonctions choisit une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche apporte des éléments du Web pour une réponse étayée par des sources, tandis que le contexte d’URL exploite le contenu de pages accessibles désignées. La recherche dans les fichiers fournit une autre capacité de récupération de sources. Attribuez à chaque outil de l’agent un objectif clair et précisez les informations attendues à chaque étape, afin que le processus puisse se poursuivre à partir du résultat effectivement renvoyé.
La prise en charge des sorties structurées permet d’utiliser le livrable final sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil exact de Google mentionne aussi la mise en cache du contexte et le traitement par lots. Des sources répétées peuvent rester cohérentes entre des tâches liées ; la mise en cache ne démontre pas à elle seule qu’une requête donnée a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.
La fiche de famille décrit un transformeur à mélange d’experts parcimonieux, doté d’une compréhension native du texte, du visuel et de l’audio. L’entraînement combine textes du Web, code, images, audio et vidéo ; le post-entraînement comprend des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique une déduplication ainsi que des filtres de sécurité et de qualité. La page du modèle daté précis fixe à janvier 2025 la limite temporelle des connaissances. Les questions nécessitant des informations plus récentes doivent préciser les sources ou une étape de récupération adaptée, plutôt que de traiter les connaissances d’entraînement comme un flux d’informations en direct.
Les limites importantes comprennent la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille signale aussi que certaines réponses peuvent adopter un ton inutilement professoral. Pour obtenir un résultat utile, demandez au modèle de distinguer les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet produit par un agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues par les outils et les questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce processus, tandis que des entrées préparées et des critères de fin explicites le rattachent à la tâche de l’utilisateur.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 est l’édition de préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut associer la question à des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise se distingue de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils avec un résultat écrit.\n\nGoogle décrit deux améliorations propres à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque le raisonnement est activé. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde consiste à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d’une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.\n\nLe raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus directe. Précisez les contraintes obligatoires, les hypothèses que le modèle peut poser et le contenu attendu du livrable final. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier ; demander un budget ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de raisonnement ou les valeurs par défaut d’un modèle plus récent.\n\nLe tableau propre au modèle de septembre prévoit jusqu’à 1,048,576 tokens d’entrée et 65,536 tokens de sortie. Sa grande capacité d’entrée permet de réunir instructions, exemples, textes de référence et contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour commenter une capture d’écran, indiquez l’état ou le composant concerné ; pour une tâche audio ou vidéo, nommez la question ou l’évènement plutôt que de demander une description sans objectif. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue parlé en temps réel relèvent d’autres profils de modèles.\n\nGoogle documente l’appel de fonctions, l’exécution de code, l’ancrage dans les résultats de recherche, le contexte d’URL et la recherche dans les fichiers pour cette préversion précise. L’appel de fonctions choisit une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche apporte des éléments du Web pour une réponse étayée par des sources, tandis que le contexte d’URL exploite le contenu de pages accessibles désignées. La recherche dans les fichiers fournit une autre capacité de récupération de sources. Attribuez à chaque outil de l’agent un objectif clair et précisez les informations attendues à chaque étape, afin que le processus puisse se poursuivre à partir du résultat effectivement renvoyé.\n\nLa prise en charge des sorties structurées permet d’utiliser le livrable final sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil exact de Google mentionne aussi la mise en cache du contexte et le traitement par lots. Des sources répétées peuvent rester cohérentes entre des tâches liées ; la mise en cache ne démontre pas à elle seule qu’une requête donnée a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.\n\nLa fiche de famille décrit un transformeur à mélange d’experts parcimonieux, doté d’une compréhension native du texte, du visuel et de l’audio. L’entraînement combine textes du Web, code, images, audio et vidéo ; le post-entraînement comprend des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique une déduplication ainsi que des filtres de sécurité et de qualité. La page du modèle daté précis fixe à janvier 2025 la limite temporelle des connaissances. Les questions nécessitant des informations plus récentes doivent préciser les sources ou une étape de récupération adaptée, plutôt que de traiter les connaissances d’entraînement comme un flux d’informations en direct.\n\nLes limites importantes comprennent la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille signale aussi que certaines réponses peuvent adopter un ton inutilement professoral. Pour obtenir un résultat utile, demandez au modèle de distinguer les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet produit par un agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues par les outils et les questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce processus, tandis que des entrées préparées et des critères de fin explicites le rattachent à la tâche de l’utilisateur.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est l’édition de septembre de Google pour l’analyse multimodale et le travail en plusieurs étapes avec des outils. Elle associe la compréhension du texte, des images, de la vidéo et de l’audio au raisonnement, aux réponses structurées et à une limite d’entrée de 1,048,576 tokens, avec des améliorations ciblées de l’utilisation des outils par les agents.
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 Preview 09-2025 est l’édition de préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut associer la question à des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise se distingue de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils avec un résultat écrit.
Google décrit deux améliorations propres à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque le raisonnement est activé. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde consiste à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d’une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.
Le raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus directe. Précisez les contraintes obligatoires, les hypothèses que le modèle peut poser et le contenu attendu du livrable final. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier ; demander un budget ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de raisonnement ou les valeurs par défaut d’un modèle plus récent.
Le tableau propre au modèle de septembre prévoit jusqu’à 1,048,576 tokens d’entrée et 65,536 tokens de sortie. Sa grande capacité d’entrée permet de réunir instructions, exemples, textes de référence et contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour commenter une capture d’écran, indiquez l’état ou le composant concerné ; pour une tâche audio ou vidéo, nommez la question ou l’évènement plutôt que de demander une description sans objectif. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue parlé en temps réel relèvent d’autres profils de modèles.
Google documente l’appel de fonctions, l’exécution de code, l’ancrage dans les résultats de recherche, le contexte d’URL et la recherche dans les fichiers pour cette préversion précise. L’appel de fonctions choisit une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche apporte des éléments du Web pour une réponse étayée par des sources, tandis que le contexte d’URL exploite le contenu de pages accessibles désignées. La recherche dans les fichiers fournit une autre capacité de récupération de sources. Attribuez à chaque outil de l’agent un objectif clair et précisez les informations attendues à chaque étape, afin que le processus puisse se poursuivre à partir du résultat effectivement renvoyé.
La prise en charge des sorties structurées permet d’utiliser le livrable final sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil exact de Google mentionne aussi la mise en cache du contexte et le traitement par lots. Des sources répétées peuvent rester cohérentes entre des tâches liées ; la mise en cache ne démontre pas à elle seule qu’une requête donnée a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.
La fiche de famille décrit un transformeur à mélange d’experts parcimonieux, doté d’une compréhension native du texte, du visuel et de l’audio. L’entraînement combine textes du Web, code, images, audio et vidéo ; le post-entraînement comprend des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique une déduplication ainsi que des filtres de sécurité et de qualité. La page du modèle daté précis fixe à janvier 2025 la limite temporelle des connaissances. Les questions nécessitant des informations plus récentes doivent préciser les sources ou une étape de récupération adaptée, plutôt que de traiter les connaissances d’entraînement comme un flux d’informations en direct.
Les limites importantes comprennent la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille signale aussi que certaines réponses peuvent adopter un ton inutilement professoral. Pour obtenir un résultat utile, demandez au modèle de distinguer les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet produit par un agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues par les outils et les questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce processus, tandis que des entrées préparées et des critères de fin explicites le rattachent à la tâche de l’utilisateur.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-preview-09-2025 | 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 $0.0006 / 1K tokens Sortie · Tokens en sortie $0.005 / 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-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 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-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 est l’édition de septembre de Google pour l’analyse multimodale et le travail en plusieurs étapes avec des outils. Elle associe la compréhension du texte, des images, de la vidéo et de l’audio au raisonnement, aux réponses structurées et à une limite d’entrée de 1,048,576 tokens, avec des améliorations ciblées de l’utilisation des outils par les agents.
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 Preview 09-2025 est l’édition de préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut associer la question à des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise se distingue de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils avec un résultat écrit.
Google décrit deux améliorations propres à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque le raisonnement est activé. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde consiste à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d’une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.
Le raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus directe. Précisez les contraintes obligatoires, les hypothèses que le modèle peut poser et le contenu attendu du livrable final. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier ; demander un budget ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de raisonnement ou les valeurs par défaut d’un modèle plus récent.
Le tableau propre au modèle de septembre prévoit jusqu’à 1,048,576 tokens d’entrée et 65,536 tokens de sortie. Sa grande capacité d’entrée permet de réunir instructions, exemples, textes de référence et contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour commenter une capture d’écran, indiquez l’état ou le composant concerné ; pour une tâche audio ou vidéo, nommez la question ou l’évènement plutôt que de demander une description sans objectif. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue parlé en temps réel relèvent d’autres profils de modèles.
Google documente l’appel de fonctions, l’exécution de code, l’ancrage dans les résultats de recherche, le contexte d’URL et la recherche dans les fichiers pour cette préversion précise. L’appel de fonctions choisit une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche apporte des éléments du Web pour une réponse étayée par des sources, tandis que le contexte d’URL exploite le contenu de pages accessibles désignées. La recherche dans les fichiers fournit une autre capacité de récupération de sources. Attribuez à chaque outil de l’agent un objectif clair et précisez les informations attendues à chaque étape, afin que le processus puisse se poursuivre à partir du résultat effectivement renvoyé.
La prise en charge des sorties structurées permet d’utiliser le livrable final sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil exact de Google mentionne aussi la mise en cache du contexte et le traitement par lots. Des sources répétées peuvent rester cohérentes entre des tâches liées ; la mise en cache ne démontre pas à elle seule qu’une requête donnée a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.
La fiche de famille décrit un transformeur à mélange d’experts parcimonieux, doté d’une compréhension native du texte, du visuel et de l’audio. L’entraînement combine textes du Web, code, images, audio et vidéo ; le post-entraînement comprend des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique une déduplication ainsi que des filtres de sécurité et de qualité. La page du modèle daté précis fixe à janvier 2025 la limite temporelle des connaissances. Les questions nécessitant des informations plus récentes doivent préciser les sources ou une étape de récupération adaptée, plutôt que de traiter les connaissances d’entraînement comme un flux d’informations en direct.
Les limites importantes comprennent la possibilité d’inventer des faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille signale aussi que certaines réponses peuvent adopter un ton inutilement professoral. Pour obtenir un résultat utile, demandez au modèle de distinguer les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet produit par un agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues par les outils et les questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce processus, tandis que des entrées préparées et des critères de fin explicites le rattachent à la tâche de l’utilisateur.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-preview-09-2025 | 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 $0.0006 / 1K tokens Sortie · Tokens en sortie $0.005 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.