Gemini 2.5 Flash Preview 09-2025 est l'édition en préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l'audio; la sortie est du texte. Le modèle peut combiner la question avec des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée exacte se distingue de Gemini 2.5 Flash stable et d'un alias latest évolutif. Elle est destinée à la compréhension multimodale et au travail assisté par des outils, avec un résultat écrit.
Google décrit deux améliorations précises pour cette version : une meilleure utilisation d'outils par les agents et une génération de réponses plus économique lorsque le raisonnement est activé. La première concerne les tâches qui nécessitent plusieurs actions liées, comme obtenir de l'information, la comparer à la demande et choisir l'étape suivante. La deuxième consiste à produire des réponses utiles avec moins de jetons générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d'une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.
Le raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus simple. Précisez quelles contraintes sont obligatoires, ce que le modèle peut supposer et ce que le livrable final doit contenir. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier; un budget demandé ne prouve donc pas l'existence d'un plafond strict de raisonnement. Cette description n'attribue pas à l'édition de septembre les niveaux ou les paramètres de raisonnement par défaut d'un modèle plus récent.
Le tableau exact du modèle de septembre spécifie jusqu'à 1,048,576 jetons d'entrée et 65,536 jetons de sortie. Son grand profil d'entrée peut contenir des instructions, des exemples, des textes de référence et un contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour discuter d'une capture d'écran, identifiez l'état ou le composant pertinent; pour une tâche audio ou vidéo, nommez la question ou l'événement plutôt que de demander une description sans objectif précis. Le résultat demeure du texte : la création native d'images, la génération vocale et le dialogue oral en temps réel relèvent d'autres profils de modèles.
Google documente les appels de fonctions, l'exécution de code, l'ancrage par la recherche, le contexte d'URL et la recherche de fichiers pour cette préversion exacte. L'appel de fonction choisit une fonction déclarée et prépare ses arguments; l'application connectée effectue l'opération et retourne son résultat. L'exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L'ancrage par la recherche fournit des éléments du Web pour une réponse éclairée par les sources, tandis que le contexte d'URL travaille avec le contenu de pages accessibles précisées. La recherche de fichiers offre une autre capacité de récupération de sources. Donnez à un agent un objectif clair pour chaque outil et précisez l'information attendue à chaque étape, afin que le flux de travail puisse se poursuivre à partir du résultat réellement retourné.
La prise en charge des sorties structurées rend le livrable final utilisable comme ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui nécessite encore une clarification. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore requises. Le profil exact du modèle de Google indique aussi la prise en charge de la mise en cache du contexte et du traitement par lots. Les sources répétées peuvent rester cohérentes entre des tâches connexes; la mise en cache ne permet pas à elle seule d'établir qu'une requête donnée a réutilisé des jetons en cache. Ces noms de capacités n'impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d'outils simultanés.
La fiche de famille du modèle décrit un transformeur à mélange d'experts parcimonieux, doté d'une compréhension native du texte, du visuel et de l'audio. L'entraînement combine du texte Web, du code, des images, de l'audio et de la vidéo; le post-entraînement inclut des paires d'instructions et de réponses multimodales, des préférences humaines et des données d'utilisation d'outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page exacte du modèle daté indique janvier 2025 comme date limite des connaissances. Les questions qui nécessitent de l'information plus récente doivent identifier leurs sources ou une étape de récupération appropriée, plutôt que de traiter les connaissances d'entraînement du modèle comme un fil d'information en direct.
Les limites substantielles comprennent l'invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille indique aussi que les réponses peuvent parfois adopter un ton inutilement professoral. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable d'agent complet pourrait contenir les constats, une prochaine étape justifiée, l'information obtenue grâce aux outils et toute question non résolue. L'accent mis sur l'utilisation d'outils dans la version de septembre aide à définir ce flux de travail, tandis que les entrées préparées et les critères de fin explicites le rattachent à la tâche de l'utilisateur.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 est l'édition en préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l'audio; la sortie est du texte. Le modèle peut combiner la question avec des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée exacte se distingue de Gemini 2.5 Flash stable et d'un alias latest évolutif. Elle est destinée à la compréhension multimodale et au travail assisté par des outils, avec un résultat écrit.\n\nGoogle décrit deux améliorations précises pour cette version : une meilleure utilisation d'outils par les agents et une génération de réponses plus économique lorsque le raisonnement est activé. La première concerne les tâches qui nécessitent plusieurs actions liées, comme obtenir de l'information, la comparer à la demande et choisir l'étape suivante. La deuxième consiste à produire des réponses utiles avec moins de jetons générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d'une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.\n\nLe raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus simple. Précisez quelles contraintes sont obligatoires, ce que le modèle peut supposer et ce que le livrable final doit contenir. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier; un budget demandé ne prouve donc pas l'existence d'un plafond strict de raisonnement. Cette description n'attribue pas à l'édition de septembre les niveaux ou les paramètres de raisonnement par défaut d'un modèle plus récent.\n\nLe tableau exact du modèle de septembre spécifie jusqu'à 1,048,576 jetons d'entrée et 65,536 jetons de sortie. Son grand profil d'entrée peut contenir des instructions, des exemples, des textes de référence et un contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour discuter d'une capture d'écran, identifiez l'état ou le composant pertinent; pour une tâche audio ou vidéo, nommez la question ou l'événement plutôt que de demander une description sans objectif précis. Le résultat demeure du texte : la création native d'images, la génération vocale et le dialogue oral en temps réel relèvent d'autres profils de modèles.\n\nGoogle documente les appels de fonctions, l'exécution de code, l'ancrage par la recherche, le contexte d'URL et la recherche de fichiers pour cette préversion exacte. L'appel de fonction choisit une fonction déclarée et prépare ses arguments; l'application connectée effectue l'opération et retourne son résultat. L'exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L'ancrage par la recherche fournit des éléments du Web pour une réponse éclairée par les sources, tandis que le contexte d'URL travaille avec le contenu de pages accessibles précisées. La recherche de fichiers offre une autre capacité de récupération de sources. Donnez à un agent un objectif clair pour chaque outil et précisez l'information attendue à chaque étape, afin que le flux de travail puisse se poursuivre à partir du résultat réellement retourné.\n\nLa prise en charge des sorties structurées rend le livrable final utilisable comme ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui nécessite encore une clarification. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore requises. Le profil exact du modèle de Google indique aussi la prise en charge de la mise en cache du contexte et du traitement par lots. Les sources répétées peuvent rester cohérentes entre des tâches connexes; la mise en cache ne permet pas à elle seule d'établir qu'une requête donnée a réutilisé des jetons en cache. Ces noms de capacités n'impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d'outils simultanés.\n\nLa fiche de famille du modèle décrit un transformeur à mélange d'experts parcimonieux, doté d'une compréhension native du texte, du visuel et de l'audio. L'entraînement combine du texte Web, du code, des images, de l'audio et de la vidéo; le post-entraînement inclut des paires d'instructions et de réponses multimodales, des préférences humaines et des données d'utilisation d'outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page exacte du modèle daté indique janvier 2025 comme date limite des connaissances. Les questions qui nécessitent de l'information plus récente doivent identifier leurs sources ou une étape de récupération appropriée, plutôt que de traiter les connaissances d'entraînement du modèle comme un fil d'information en direct.\n\nLes limites substantielles comprennent l'invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille indique aussi que les réponses peuvent parfois adopter un ton inutilement professoral. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable d'agent complet pourrait contenir les constats, une prochaine étape justifiée, l'information obtenue grâce aux outils et toute question non résolue. L'accent mis sur l'utilisation d'outils dans la version de septembre aide à définir ce flux de travail, tandis que les entrées préparées et les critères de fin explicites le rattachent à la tâche de l'utilisateur.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 est l'édition de septembre de Google pour l'analyse multimodale et le travail en plusieurs étapes avec des outils. Elle combine la compréhension du texte, des images, de la vidéo et de l'audio avec le raisonnement, les réponses structurées et une limite d'entrée de 1,048,576 jetons, avec des améliorations précises de l'utilisation d'outils par les agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash Preview 09-2025 est l'édition en préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l'audio; la sortie est du texte. Le modèle peut combiner la question avec des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée exacte se distingue de Gemini 2.5 Flash stable et d'un alias latest évolutif. Elle est destinée à la compréhension multimodale et au travail assisté par des outils, avec un résultat écrit.
Google décrit deux améliorations précises pour cette version : une meilleure utilisation d'outils par les agents et une génération de réponses plus économique lorsque le raisonnement est activé. La première concerne les tâches qui nécessitent plusieurs actions liées, comme obtenir de l'information, la comparer à la demande et choisir l'étape suivante. La deuxième consiste à produire des réponses utiles avec moins de jetons générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d'une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.
Le raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus simple. Précisez quelles contraintes sont obligatoires, ce que le modèle peut supposer et ce que le livrable final doit contenir. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier; un budget demandé ne prouve donc pas l'existence d'un plafond strict de raisonnement. Cette description n'attribue pas à l'édition de septembre les niveaux ou les paramètres de raisonnement par défaut d'un modèle plus récent.
Le tableau exact du modèle de septembre spécifie jusqu'à 1,048,576 jetons d'entrée et 65,536 jetons de sortie. Son grand profil d'entrée peut contenir des instructions, des exemples, des textes de référence et un contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour discuter d'une capture d'écran, identifiez l'état ou le composant pertinent; pour une tâche audio ou vidéo, nommez la question ou l'événement plutôt que de demander une description sans objectif précis. Le résultat demeure du texte : la création native d'images, la génération vocale et le dialogue oral en temps réel relèvent d'autres profils de modèles.
Google documente les appels de fonctions, l'exécution de code, l'ancrage par la recherche, le contexte d'URL et la recherche de fichiers pour cette préversion exacte. L'appel de fonction choisit une fonction déclarée et prépare ses arguments; l'application connectée effectue l'opération et retourne son résultat. L'exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L'ancrage par la recherche fournit des éléments du Web pour une réponse éclairée par les sources, tandis que le contexte d'URL travaille avec le contenu de pages accessibles précisées. La recherche de fichiers offre une autre capacité de récupération de sources. Donnez à un agent un objectif clair pour chaque outil et précisez l'information attendue à chaque étape, afin que le flux de travail puisse se poursuivre à partir du résultat réellement retourné.
La prise en charge des sorties structurées rend le livrable final utilisable comme ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui nécessite encore une clarification. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore requises. Le profil exact du modèle de Google indique aussi la prise en charge de la mise en cache du contexte et du traitement par lots. Les sources répétées peuvent rester cohérentes entre des tâches connexes; la mise en cache ne permet pas à elle seule d'établir qu'une requête donnée a réutilisé des jetons en cache. Ces noms de capacités n'impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d'outils simultanés.
La fiche de famille du modèle décrit un transformeur à mélange d'experts parcimonieux, doté d'une compréhension native du texte, du visuel et de l'audio. L'entraînement combine du texte Web, du code, des images, de l'audio et de la vidéo; le post-entraînement inclut des paires d'instructions et de réponses multimodales, des préférences humaines et des données d'utilisation d'outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page exacte du modèle daté indique janvier 2025 comme date limite des connaissances. Les questions qui nécessitent de l'information plus récente doivent identifier leurs sources ou une étape de récupération appropriée, plutôt que de traiter les connaissances d'entraînement du modèle comme un fil d'information en direct.
Les limites substantielles comprennent l'invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille indique aussi que les réponses peuvent parfois adopter un ton inutilement professoral. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable d'agent complet pourrait contenir les constats, une prochaine étape justifiée, l'information obtenue grâce aux outils et toute question non résolue. L'accent mis sur l'utilisation d'outils dans la version de septembre aide à définir ce flux de travail, tandis que les entrées préparées et les critères de fin explicites le rattachent à la tâche de l'utilisateur.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-preview-09-2025 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0006 / 1K jetons Sortie · Jetons en sortie $0.005 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 est l'édition de septembre de Google pour l'analyse multimodale et le travail en plusieurs étapes avec des outils. Elle combine la compréhension du texte, des images, de la vidéo et de l'audio avec le raisonnement, les réponses structurées et une limite d'entrée de 1,048,576 jetons, avec des améliorations précises de l'utilisation d'outils par les agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash Preview 09-2025 est l'édition en préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l'audio; la sortie est du texte. Le modèle peut combiner la question avec des éléments visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée exacte se distingue de Gemini 2.5 Flash stable et d'un alias latest évolutif. Elle est destinée à la compréhension multimodale et au travail assisté par des outils, avec un résultat écrit.
Google décrit deux améliorations précises pour cette version : une meilleure utilisation d'outils par les agents et une génération de réponses plus économique lorsque le raisonnement est activé. La première concerne les tâches qui nécessitent plusieurs actions liées, comme obtenir de l'information, la comparer à la demande et choisir l'étape suivante. La deuxième consiste à produire des réponses utiles avec moins de jetons générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère de réussite d'une modification. Pour un assistant de recherche, définissez la question, les éléments à examiner et les preuves nécessaires à la conclusion.
Le raisonnement et la réponse directe font partie de la conception hybride. Une tâche avec raisonnement peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut viser une réponse plus simple. Précisez quelles contraintes sont obligatoires, ce que le modèle peut supposer et ce que le livrable final doit contenir. La fiche de famille du fabricant indique que le respect des budgets de raisonnement peut être irrégulier; un budget demandé ne prouve donc pas l'existence d'un plafond strict de raisonnement. Cette description n'attribue pas à l'édition de septembre les niveaux ou les paramètres de raisonnement par défaut d'un modèle plus récent.
Le tableau exact du modèle de septembre spécifie jusqu'à 1,048,576 jetons d'entrée et 65,536 jetons de sortie. Son grand profil d'entrée peut contenir des instructions, des exemples, des textes de référence et un contexte multimédia dans une même tâche. Pour comparer des exigences à une solution proposée, identifiez les deux sources et fournissez un ensemble commun de critères. Pour discuter d'une capture d'écran, identifiez l'état ou le composant pertinent; pour une tâche audio ou vidéo, nommez la question ou l'événement plutôt que de demander une description sans objectif précis. Le résultat demeure du texte : la création native d'images, la génération vocale et le dialogue oral en temps réel relèvent d'autres profils de modèles.
Google documente les appels de fonctions, l'exécution de code, l'ancrage par la recherche, le contexte d'URL et la recherche de fichiers pour cette préversion exacte. L'appel de fonction choisit une fonction déclarée et prépare ses arguments; l'application connectée effectue l'opération et retourne son résultat. L'exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L'ancrage par la recherche fournit des éléments du Web pour une réponse éclairée par les sources, tandis que le contexte d'URL travaille avec le contenu de pages accessibles précisées. La recherche de fichiers offre une autre capacité de récupération de sources. Donnez à un agent un objectif clair pour chaque outil et précisez l'information attendue à chaque étape, afin que le flux de travail puisse se poursuivre à partir du résultat réellement retourné.
La prise en charge des sorties structurées rend le livrable final utilisable comme ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui nécessite encore une clarification. Pour une tâche de programmation, séparez la modification proposée de son explication et des vérifications encore requises. Le profil exact du modèle de Google indique aussi la prise en charge de la mise en cache du contexte et du traitement par lots. Les sources répétées peuvent rester cohérentes entre des tâches connexes; la mise en cache ne permet pas à elle seule d'établir qu'une requête donnée a réutilisé des jetons en cache. Ces noms de capacités n'impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d'outils simultanés.
La fiche de famille du modèle décrit un transformeur à mélange d'experts parcimonieux, doté d'une compréhension native du texte, du visuel et de l'audio. L'entraînement combine du texte Web, du code, des images, de l'audio et de la vidéo; le post-entraînement inclut des paires d'instructions et de réponses multimodales, des préférences humaines et des données d'utilisation d'outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page exacte du modèle daté indique janvier 2025 comme date limite des connaissances. Les questions qui nécessitent de l'information plus récente doivent identifier leurs sources ou une étape de récupération appropriée, plutôt que de traiter les connaissances d'entraînement du modèle comme un fil d'information en direct.
Les limites substantielles comprennent l'invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille indique aussi que les réponses peuvent parfois adopter un ton inutilement professoral. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable d'agent complet pourrait contenir les constats, une prochaine étape justifiée, l'information obtenue grâce aux outils et toute question non résolue. L'accent mis sur l'utilisation d'outils dans la version de septembre aide à définir ce flux de travail, tandis que les entrées préparées et les critères de fin explicites le rattachent à la tâche de l'utilisateur.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-preview-09-2025 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0006 / 1K jetons Sortie · Jetons en sortie $0.005 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.