Gemini 3.8 Flash est le modèle à sortie textuelle de Google pour l’ingénierie logicielle soutenue, les agents à plusieurs étapes et les processus complexes de traitement des connaissances. Il s’appuie sur Gemini 3.7 Flash, avec des améliorations en ingénierie logicielle et dans le traitement des connaissances par des agents. Il accepte le texte, les images, l’audio, la vidéo et le PDF : une tâche peut ainsi combiner un objectif écrit avec les éléments réels nécessaires pour le résoudre. Le résultat utile est une modification de code, une analyse expliquée, une réponse écrite ou un enregistrement structuré.
Pour une tâche de programmation, fournissez l’exigence, les fichiers pertinents, le comportement observé et les contraintes à préserver. Une capture d’écran peut établir l’interface souhaitée, tandis que des journaux ou un exemple de reproduction montrent l’échec. Pour un débogage, demandez au modèle de retracer un écart entre l’état visible d’un formulaire et sa valeur stockée, d’identifier le chemin de code responsable et de proposer une correction ciblée. Gardez le livrable final souhaité clair afin qu’une longue séquence d’investigation et d’utilisation d’outils conserve une condition d’achèvement précise.
Pour les travaux de longue durée, utilisez des étapes de raisonnement plus petites, des appels d’outils itératifs et des vérifications des résultats intermédiaires. Les niveaux de réflexion faible (low), moyen (medium) et élevé (high) règlent la quantité de raisonnement ; le niveau moyen est la valeur par défaut documentée. Le niveau faible convient à un brouillon rapide ou à une analyse délimitée, tandis que le niveau élevé vise les mathématiques difficiles, la programmation ou les tâches à plusieurs étapes. Gemini 3.8 Flash ne prend pas en charge le niveau minimal. Une tâche de débogage soutenue et une simple extraction de champs nécessitent donc des choix de raisonnement différents plutôt qu’un réglage identique pour chaque requête.
Les outils documentés comprennent les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Google Maps et le contexte d’URL, avec Computer Use indiqué comme une capacité en préversion. Les sorties structurées définissent un résultat lisible par machine. Les fonctions doivent avoir un objectif clair et une définition de paramètres : le modèle peut demander une fonction, tandis que l’application connectée réalise l’opération et renvoie son résultat. Préservez l’identité des fonctions et les éléments réellement renvoyés d’un tour à l’autre. Une réponse finale utile explique quelles preuves étayent la correction proposée ou la valeur extraite.
Le guide de migration 3.8 utilise des réglages de niveau de réflexion à la place de l’ancienne configuration de budget de raisonnement et recommande de supprimer les paramètres d’échantillonnage obsolètes ainsi que les tours préremplis du modèle. Il exige aussi de préserver les signatures de réflexion dans le flux sans état concerné et d’associer les réponses des fonctions à leurs appels par identité et par nom. Ces détails comptent lors de la poursuite d’une tâche à plusieurs étapes : le tour suivant a besoin du contexte antérieur réel plutôt que d’un récit réécrit qui perd le résultat de l’outil ou la signature. Gardez la question et la sortie demandée explicites dans le nouveau tour utilisateur.
Pour le traitement multimodal des connaissances, identifiez les pages de document, le graphique, l’intervalle audio ou l’événement vidéo pertinents et précisez leur contribution attendue à la réponse. Une comparaison documentaire peut demander un tableau des différences avec les passages sources ; une question sur un graphique peut demander les valeurs visibles et la conclusion qu’elles étayent. Une analyse vidéo peut demander une description des événements justifiant un constat. Le modèle renvoie du texte à partir de ces entrées. Les images générées, la parole et l’interaction audio Live appartiennent à des profils de modèles distincts.
Ses limites Gemini API sont de 1 048 576 tokens d’entrée et 65 536 tokens de sortie, ce qui correspond au contexte natif allant jusqu’à 1M et à la sortie textuelle de 64K. Les instructions, l’historique de conversation et les médias fournis consomment le contexte d’entrée, tandis que le raisonnement ou un long livrable final doivent tenir dans l’allocation de sortie documentée. Google indique également la mise en cache, le traitement par lots et les traitements Flex et Priority pour ce profil du fabricant. Pour des éléments indépendants, conservez un identifiant stable et un format de sortie explicite afin que chaque résultat reste relié à sa source.
Les limites possibles comprennent les hallucinations, des lenteurs ou délais d’attente dépassés occasionnels et une consommation de tokens supérieure à un niveau d’effort plus élevé. La date limite de ses connaissances est mars 2026, certains domaines restant limités à janvier 2025. Fournissez des preuves actuelles ou utilisez les outils d’ancrage documentés lorsque la tâche dépend d’informations ultérieures. Vérifiez les citations de sources, les calculs et le code proposé par rapport aux entrées réelles et aux résultats d’exécution. Le livrable final utile doit distinguer un constat étayé d’une question non résolue, sans supposer qu’une réponse fluide établit le résultat demandé.
", "aboutText": "Gemini 3.8 Flash est le modèle à sortie textuelle de Google pour l’ingénierie logicielle soutenue, les agents à plusieurs étapes et les processus complexes de traitement des connaissances. Il s’appuie sur Gemini 3.7 Flash, avec des améliorations en ingénierie logicielle et dans le traitement des connaissances par des agents. Il accepte le texte, les images, l’audio, la vidéo et le PDF : une tâche peut ainsi combiner un objectif écrit avec les éléments réels nécessaires pour le résoudre. Le résultat utile est une modification de code, une analyse expliquée, une réponse écrite ou un enregistrement structuré.\n\nPour une tâche de programmation, fournissez l’exigence, les fichiers pertinents, le comportement observé et les contraintes à préserver. Une capture d’écran peut établir l’interface souhaitée, tandis que des journaux ou un exemple de reproduction montrent l’échec. Pour un débogage, demandez au modèle de retracer un écart entre l’état visible d’un formulaire et sa valeur stockée, d’identifier le chemin de code responsable et de proposer une correction ciblée. Gardez le livrable final souhaité clair afin qu’une longue séquence d’investigation et d’utilisation d’outils conserve une condition d’achèvement précise.\n\nPour les travaux de longue durée, utilisez des étapes de raisonnement plus petites, des appels d’outils itératifs et des vérifications des résultats intermédiaires. Les niveaux de réflexion faible (`low`), moyen (`medium`) et élevé (`high`) règlent la quantité de raisonnement ; le niveau moyen est la valeur par défaut documentée. Le niveau faible convient à un brouillon rapide ou à une analyse délimitée, tandis que le niveau élevé vise les mathématiques difficiles, la programmation ou les tâches à plusieurs étapes. Gemini 3.8 Flash ne prend pas en charge le niveau minimal. Une tâche de débogage soutenue et une simple extraction de champs nécessitent donc des choix de raisonnement différents plutôt qu’un réglage identique pour chaque requête.\n\nLes outils documentés comprennent les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Google Maps et le contexte d’URL, avec Computer Use indiqué comme une capacité en préversion. Les sorties structurées définissent un résultat lisible par machine. Les fonctions doivent avoir un objectif clair et une définition de paramètres : le modèle peut demander une fonction, tandis que l’application connectée réalise l’opération et renvoie son résultat. Préservez l’identité des fonctions et les éléments réellement renvoyés d’un tour à l’autre. Une réponse finale utile explique quelles preuves étayent la correction proposée ou la valeur extraite.\n\nLe guide de migration 3.8 utilise des réglages de niveau de réflexion à la place de l’ancienne configuration de budget de raisonnement et recommande de supprimer les paramètres d’échantillonnage obsolètes ainsi que les tours préremplis du modèle. Il exige aussi de préserver les signatures de réflexion dans le flux sans état concerné et d’associer les réponses des fonctions à leurs appels par identité et par nom. Ces détails comptent lors de la poursuite d’une tâche à plusieurs étapes : le tour suivant a besoin du contexte antérieur réel plutôt que d’un récit réécrit qui perd le résultat de l’outil ou la signature. Gardez la question et la sortie demandée explicites dans le nouveau tour utilisateur.\n\nPour le traitement multimodal des connaissances, identifiez les pages de document, le graphique, l’intervalle audio ou l’événement vidéo pertinents et précisez leur contribution attendue à la réponse. Une comparaison documentaire peut demander un tableau des différences avec les passages sources ; une question sur un graphique peut demander les valeurs visibles et la conclusion qu’elles étayent. Une analyse vidéo peut demander une description des événements justifiant un constat. Le modèle renvoie du texte à partir de ces entrées. Les images générées, la parole et l’interaction audio Live appartiennent à des profils de modèles distincts.\n\nSes limites Gemini API sont de 1 048 576 tokens d’entrée et 65 536 tokens de sortie, ce qui correspond au contexte natif allant jusqu’à 1M et à la sortie textuelle de 64K. Les instructions, l’historique de conversation et les médias fournis consomment le contexte d’entrée, tandis que le raisonnement ou un long livrable final doivent tenir dans l’allocation de sortie documentée. Google indique également la mise en cache, le traitement par lots et les traitements Flex et Priority pour ce profil du fabricant. Pour des éléments indépendants, conservez un identifiant stable et un format de sortie explicite afin que chaque résultat reste relié à sa source.\n\nLes limites possibles comprennent les hallucinations, des lenteurs ou délais d’attente dépassés occasionnels et une consommation de tokens supérieure à un niveau d’effort plus élevé. La date limite de ses connaissances est mars 2026, certains domaines restant limités à janvier 2025. Fournissez des preuves actuelles ou utilisez les outils d’ancrage documentés lorsque la tâche dépend d’informations ultérieures. Vérifiez les citations de sources, les calculs et le code proposé par rapport aux entrées réelles et aux résultats d’exécution. Le livrable final utile doit distinguer un constat étayé d’une question non résolue, sans supposer qu’une réponse fluide établit le résultat demandé.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "139db9877e3facc48c054cb0c83c8e52b8cac416b3e6136947cf921667843d46", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "google/gemini-3.8-flash:batchGemini 3.8 Flash est le modèle multimodal polyvalent de Google pour l’ingénierie logicielle soutenue, les agents et les tâches de connaissance complexes. Il accepte le texte, les images, l’audio, la vidéo et le PDF, renvoie du texte et propose les niveaux de raisonnement low, medium ou high avec des outils et des sorties structurées. Ses limites d’entrée/sortie documentées 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 3.8 Flash est le modèle à sortie textuelle de Google pour l’ingénierie logicielle soutenue, les agents à plusieurs étapes et les processus complexes de traitement des connaissances. Il s’appuie sur Gemini 3.7 Flash, avec des améliorations en ingénierie logicielle et dans le traitement des connaissances par des agents. Il accepte le texte, les images, l’audio, la vidéo et le PDF : une tâche peut ainsi combiner un objectif écrit avec les éléments réels nécessaires pour le résoudre. Le résultat utile est une modification de code, une analyse expliquée, une réponse écrite ou un enregistrement structuré.
Pour une tâche de programmation, fournissez l’exigence, les fichiers pertinents, le comportement observé et les contraintes à préserver. Une capture d’écran peut établir l’interface souhaitée, tandis que des journaux ou un exemple de reproduction montrent l’échec. Pour un débogage, demandez au modèle de retracer un écart entre l’état visible d’un formulaire et sa valeur stockée, d’identifier le chemin de code responsable et de proposer une correction ciblée. Gardez le livrable final souhaité clair afin qu’une longue séquence d’investigation et d’utilisation d’outils conserve une condition d’achèvement précise.
Pour les travaux de longue durée, utilisez des étapes de raisonnement plus petites, des appels d’outils itératifs et des vérifications des résultats intermédiaires. Les niveaux de réflexion faible (low), moyen (medium) et élevé (high) règlent la quantité de raisonnement ; le niveau moyen est la valeur par défaut documentée. Le niveau faible convient à un brouillon rapide ou à une analyse délimitée, tandis que le niveau élevé vise les mathématiques difficiles, la programmation ou les tâches à plusieurs étapes. Gemini 3.8 Flash ne prend pas en charge le niveau minimal. Une tâche de débogage soutenue et une simple extraction de champs nécessitent donc des choix de raisonnement différents plutôt qu’un réglage identique pour chaque requête.
Les outils documentés comprennent les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Google Maps et le contexte d’URL, avec Computer Use indiqué comme une capacité en préversion. Les sorties structurées définissent un résultat lisible par machine. Les fonctions doivent avoir un objectif clair et une définition de paramètres : le modèle peut demander une fonction, tandis que l’application connectée réalise l’opération et renvoie son résultat. Préservez l’identité des fonctions et les éléments réellement renvoyés d’un tour à l’autre. Une réponse finale utile explique quelles preuves étayent la correction proposée ou la valeur extraite.
Le guide de migration 3.8 utilise des réglages de niveau de réflexion à la place de l’ancienne configuration de budget de raisonnement et recommande de supprimer les paramètres d’échantillonnage obsolètes ainsi que les tours préremplis du modèle. Il exige aussi de préserver les signatures de réflexion dans le flux sans état concerné et d’associer les réponses des fonctions à leurs appels par identité et par nom. Ces détails comptent lors de la poursuite d’une tâche à plusieurs étapes : le tour suivant a besoin du contexte antérieur réel plutôt que d’un récit réécrit qui perd le résultat de l’outil ou la signature. Gardez la question et la sortie demandée explicites dans le nouveau tour utilisateur.
Pour le traitement multimodal des connaissances, identifiez les pages de document, le graphique, l’intervalle audio ou l’événement vidéo pertinents et précisez leur contribution attendue à la réponse. Une comparaison documentaire peut demander un tableau des différences avec les passages sources ; une question sur un graphique peut demander les valeurs visibles et la conclusion qu’elles étayent. Une analyse vidéo peut demander une description des événements justifiant un constat. Le modèle renvoie du texte à partir de ces entrées. Les images générées, la parole et l’interaction audio Live appartiennent à des profils de modèles distincts.
Ses limites Gemini API sont de 1 048 576 tokens d’entrée et 65 536 tokens de sortie, ce qui correspond au contexte natif allant jusqu’à 1M et à la sortie textuelle de 64K. Les instructions, l’historique de conversation et les médias fournis consomment le contexte d’entrée, tandis que le raisonnement ou un long livrable final doivent tenir dans l’allocation de sortie documentée. Google indique également la mise en cache, le traitement par lots et les traitements Flex et Priority pour ce profil du fabricant. Pour des éléments indépendants, conservez un identifiant stable et un format de sortie explicite afin que chaque résultat reste relié à sa source.
Les limites possibles comprennent les hallucinations, des lenteurs ou délais d’attente dépassés occasionnels et une consommation de tokens supérieure à un niveau d’effort plus élevé. La date limite de ses connaissances est mars 2026, certains domaines restant limités à janvier 2025. Fournissez des preuves actuelles ou utilisez les outils d’ancrage documentés lorsque la tâche dépend d’informations ultérieures. Vérifiez les citations de sources, les calculs et le code proposé par rapport aux entrées réelles et aux résultats d’exécution. Le livrable final utile doit distinguer un constat étayé d’une question non résolue, sans supposer qu’une réponse fluide établit le résultat demandé.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.8-flash:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites google/gemini-3.8-flash:batch, google/gemini-3.8-flash | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites google-vertex/global | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
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 $0.00075 / 1K tokens Sortie · Tokens en sortie $0.00375 / 1K tokens Entrée · Lecture du cache $0.000075 / 1K tokens Entrée · Écriture dans le cache $0.0000833333333333334 / 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 $0.00075 / 1K tokens Sortie · Tokens en sortie $0.00375 / 1K tokens Entrée · Lecture du cache $0.000075 / 1K tokens Entrée · Écriture dans le cache $0.0000833333333333334 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"google/gemini-3.8-flash:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['google/gemini-3.8-flash:batch', 'google/gemini-3.8-flash']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-3.8-flash:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra google/gemini-3.8-flash:batch
Utilisez les chemins de méthode indiqués ci-dessus.