Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
", "aboutText": "Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.\n\nPour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.\n\nPour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.\n\nPour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.\n\nLe traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.\n\nLa réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.\n\nLa fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.\n\nCet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Localize a compact service message\n\nTranslate into Spanish for a small-business customer: “Invoice INV-204 is ready. The bank transfer has not arrived yet; access starts after payment confirmation.” Keep INV-204 unchanged and return only the translated message. Preserve the distinction between invoice availability, receipt of funds and activation.A Spanish message containing the unchanged invoice reference and the original payment-to-access condition.Check that the translation does not imply that payment is received or access is already active.gemini-3.1-flash-liteGemini 3.1 Flash-Lite est le modèle multimodal stable de Google pour la traduction, la transcription, la classification et l’extraction simple à grande échelle. Il accepte le texte, les images, l’audio, la vidéo et le PDF et renvoie du texte, avec réflexion, outils et sorties structurées. Ses limites d’entrée/sortie exactes sont de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
POST /v1/messagestext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-flash-lite | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
Texte + image
{type:image,source:{type:base64,media_type,data}} ou source type=url
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext, image |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | Contratcontenu UTF-8 réel inséré sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base par token | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base par token | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-flash-lite", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-flash-lite", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-3.1-flash-lite",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-3.1-flash-lite",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='gemini-3.1-flash-lite',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 gemini-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
gemini-3.1-flash-liteGemini 3.1 Flash-Lite est le modèle multimodal stable de Google pour la traduction, la transcription, la classification et l’extraction simple à grande échelle. Il accepte le texte, les images, l’audio, la vidéo et le PDF et renvoie du texte, avec réflexion, outils et sorties structurées. Ses limites d’entrée/sortie exactes sont de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
POST /v1beta/models/{model}:generateContenttext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champpath.model | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-flash-lite | Par défaut— |
Champcontents | Typecontent[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champcontents[].role | Typestring | ExigenceFacultatif | Valeurs et limites user, model | Par défaut— |
Champcontents[].parts | Typepart[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
ChampsystemInstruction | Typecontent | ExigenceFacultatif | Valeurs et limites | Par défaut— |
ChampgenerationConfig.maxOutputTokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
ChampgenerationConfig.temperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampgenerationConfig.topP | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampgenerationConfig.topK | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampgenerationConfig.stopSequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].functionDeclarations | Typefunction_declaration[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChamptoolConfig.functionCallingConfig.mode | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampsafetySettings | Typeobject[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
ChampsessionId | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Texte · Texte UTF8
contents[].parts[].text
Texte + image
parts[].inlineData={mimeType,data}
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext, image |
Paramètrerequired | Contratcontents |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | Contratcontenu UTF-8 réel inséré sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1beta/models/{model}:generateContentAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base par token | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base par token | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.1-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.1-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-3.1-flash-lite", contents="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-3.1-flash-lite", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-3.1-flash-lite',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson ou streaming pris en charge
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les candidats et toutes les parties, y compris les appels de fonctions, les signatures de raisonnement et les données d’utilisation ; assemblez les fragments du flux dans l’ordre.
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 |
|---|---|
ChampresponseId | Typestring |
ChampmodelVersion | Typestring |
Champcandidates[].content.parts[] | Typetext|inlineData|functionCall|other part |
Champcandidates[].finishReason | Typestring |
ChampusageMetadata | 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 gemini-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
gemini-3.1-flash-liteGemini 3.1 Flash-Lite est le modèle multimodal stable de Google pour la traduction, la transcription, la classification et l’extraction simple à grande échelle. Il accepte le texte, les images, l’audio, la vidéo et le PDF et renvoie du texte, avec réflexion, outils et sorties structurées. Ses limites d’entrée/sortie exactes sont de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-flash-lite | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.1-flash-lite","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3.1-flash-lite", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 gemini-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
gemini-3.1-flash-liteGemini 3.1 Flash-Lite est le modèle multimodal stable de Google pour la traduction, la transcription, la classification et l’extraction simple à grande échelle. Il accepte le texte, les images, l’audio, la vidéo et le PDF et renvoie du texte, avec réflexion, outils et sorties structurées. Ses limites d’entrée/sortie exactes sont de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-flash-lite | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-3.1-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.1-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.1-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 gemini-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
google/gemini-3.1-flash-liteGemini 3.1 Flash-Lite est le modèle multimodal stable de Google pour la traduction, la transcription, la classification et l’extraction simple à grande échelle. Il accepte le texte, les images, l’audio, la vidéo et le PDF et renvoie du texte, avec réflexion, outils et sorties structurées. Ses limites d’entrée/sortie exactes sont de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.1-flash-lite | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.1-flash-lite", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemini-3.1-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemini-3.1-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 gemini-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
google/gemini-3.1-flash-liteGemini 3.1 Flash-Lite est le modèle multimodal stable de Google pour la traduction, la transcription, la classification et l’extraction simple à grande échelle. Il accepte le texte, les images, l’audio, la vidéo et le PDF et renvoie du texte, avec réflexion, outils et sorties structurées. Ses limites d’entrée/sortie exactes sont de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.1 Flash-Lite est le modèle textuel multimodal stable et léger de Google pour les tâches fréquentes et bien définies. Il est fondé sur Gemini 3 Pro. La traduction et la classification sont ses principales charges de travail ; les autres tâches utiles comprennent la transcription, les résumés documentaires, l’extraction d’entités et la classification pour le choix de modèle. Le texte, les images, l’audio, la vidéo et le PDF peuvent fournir les éléments sources, et le résultat est textuel. Des instructions utiles demandent une opération et une forme finale, comme un message traduit ou un enregistrement des champs trouvés dans un document.
Pour la traduction, fournissez le texte source, la langue cible, le public et la terminologie qui doit rester intacte. L’exemple de Google utilise des instructions demandant uniquement la traduction. Pour traduire un message d’assistance, préservez les noms de produits et les références de commande tout en traduisant naturellement le reste. Précisez comment traiter l’ambiguïté afin que le résultat n’ajoute pas de date, de promesse ou de détail absent de la source. Adaptez la forme demandée à la destination, par exemple une réponse courte ou un enregistrement de traduction étiqueté.
Pour la transcription, fournissez l’enregistrement et définissez si la réponse doit contenir les mots prononcés, une transcription retravaillée lisible ou un résumé. Ce sont des sorties différentes. Identifiez l’intervalle pertinent lorsqu’un long enregistrement ne contient qu’un passage nécessaire à la tâche. L’exemple développeur du fabricant transmet directement l’audio et demande une transcription textuelle. Vérifiez les noms, les nombres et les passages peu clairs par rapport à l’enregistrement, en conservant la source originale pour la vérification. Ce profil textuel multimodal général n’implique pas à lui seul une sortie audio ni un résultat dédié de diarisation des locuteurs.
Pour la classification ou l’extraction, définissez les catégories, le schéma et la règle de valeurs manquantes. Le guide développeur montre du JSON structuré pour analyser un avis client, avec une citation justificative et des champs définis. Un enregistrement structuré peut contenir le produit mentionné, la catégorie de problème et la phrase justifiant le choix. Incluez un cas représentatif qui doit rester inconnu plutôt que d’être forcé dans une catégorie. Un enregistrement syntaxiquement valide nécessite toujours une comparaison avec le texte source réel.
Le traitement documentaire peut transformer un PDF en résumé concis ou en enregistrement de champs. Énoncez la question et conservez les références de page ou de section lorsque le constat doit être vérifié. Une vérification de tableau doit préciser les colonnes et la règle importantes ; une tâche visuelle doit identifier le libellé ou la zone nécessaire à la réponse. Le routage de modèles est un autre usage documenté : le modèle classe la complexité d’une requête et renvoie un choix autorisé. L’application connectée, plutôt que le texte de classification lui-même, décide de ce qui sera exécuté ensuite.
La réflexion est prise en charge, et le fabricant montre un effort plus élevé pour les tâches bénéficiant d’une analyse approfondie. La page stable exacte indique aussi les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Maps, le contexte d’URL et les sorties structurées. Computer Use n’est pas pris en charge dans ce profil stable 3.1 ; le profil 3.5 Flash-Lite ultérieur possède un autre tableau de capacités. Définissez clairement les objectifs et les paramètres des outils et poursuivez à partir de résultats réellement renvoyés. Une suggestion de fonction ne démontre pas que l’opération a eu lieu.
La fiche native du modèle indique un contexte allant jusqu’à 1M et une sortie textuelle de 64K ; le tableau API stable spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie. Incluez les instructions, la conversation et les médias sources dans la préparation de l’entrée et demandez une sortie adaptée au livrable souhaité. La mise en cache et les traitements par lots, Flex et Priority sont documentés pour ce profil du fabricant. Pour des éléments indépendants répétés, transmettez l’identifiant d’entrée au résultat et conservez un schéma cohérent afin de repérer une réponse manquante.
Cet identifiant de modèle stable est distinct de Gemini 3.1 Flash-Lite Preview et des éditions Flash-Lite ultérieures. Préservez l’édition exacte lors de la préparation de traitements répétés plutôt que de considérer un nom de famille familier comme la garantie d’une révision fixe. Vérifiez que les traductions conservent le sens et les termes, confrontez les transcriptions à l’audio et les champs extraits au document. Le rôle pratique de ce profil est le traitement textuel multimodal ciblé avec un résultat clair, en laissant le raisonnement ou les actions externes d’une tâche plus large à l’étape ultérieure appropriée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.1-flash-lite | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.003 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache $0.0001666666666666666 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "google/gemini-3.1-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.1-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.1-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 gemini-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
Exemple technique en anglais
Localize a compact service message\n\nTranslate into Spanish for a small-business customer: “Invoice INV-204 is ready. The bank transfer has not arrived yet; access starts after payment confirmation.” Keep INV-204 unchanged and return only the translated message. Preserve the distinction between invoice availability, receipt of funds and activation.A Spanish message containing the unchanged invoice reference and the original payment-to-access condition.Check that the translation does not imply that payment is received or access is already active.