Gemini 3.1 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
", "aboutText": "Gemini 3.1 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.\n\nPour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.\n\nLes éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.\n\nLes niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.\n\nLe tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.\n\nPour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.\n\nLa fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.\n\nL’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Review a cross-module date contract\n\nReview this contract mismatch. Producer emits {due_date: "2026-11-03"}; consumer reads record.dueDate and displays "No date" when missing. Existing stored records use due_date. Propose the smallest compatible correction and tests for both present and absent dates. Preserve the producer field and do not add a second stored field.A short mismatch analysis, a focused consumer patch and tests covering the stored field and missing-value behavior.Check that the patch reads due_date without changing persisted records or treating an absent date as a valid one.gemini-3.1-pro-previewGemini 3.1 Pro Preview est le modèle de raisonnement multimodal de Google pour les tâches complexes de logiciels, d’algorithmes et de connaissances. Il accepte texte, images, audio, vidéo et PDF et renvoie texte ou code, avec outils et sortie structurée. Les niveaux low, medium et high orientent l’effort; high est le réglage documenté par défaut.
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 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
POST /v1/messagestext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-pro-preview | 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 comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messages| Taille de la requête, en tokens | Entrée | Sortie | Lecture du cache | Écriture dans le cache | Cache 5 min | Cache 1 h |
|---|---|---|---|---|---|---|
| Taille de la requête, en tokens(0; 200 000] | Entrée0,002 USD | Sortie0,012 USD | Lecture du cache0,0002 USD | Écriture dans le cacheTarif de base : — | Cache 5 minTarif de base : — | Cache 1 hTarif de base : — |
| Taille de la requête, en tokens(200 000; ∞) | Entrée0,004 USD | Sortie0,018 USD | Lecture du cache0,0004 USD | Écriture dans le cacheTarif de base : — | Cache 5 minTarif de base : — | Cache 1 hTarif de base : — |
Tarifs en USD par 1K jetons. Si aucun tarif n’est défini, le tarif de base de cette méthode est hérité ; «—» signifie qu’aucun tarif de base n’est défini.
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 →
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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 2 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 2 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${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-pro-preview", "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-pro-preview", "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-pro-preview",\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-pro-preview",\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-pro-preview',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 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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview est le modèle de raisonnement multimodal de Google pour les tâches complexes de logiciels, d’algorithmes et de connaissances. Il accepte texte, images, audio, vidéo et PDF et renvoie texte ou code, avec outils et sortie structurée. Les niveaux low, medium et high orientent l’effort; high est le réglage documenté par défaut.
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 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
POST /v1beta/models/{model}:generateContenttext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champpath.model | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-pro-preview | 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 comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1beta/models/{model}:generateContent| Taille de la requête, en tokens | Entrée | Sortie | Lecture du cache | Écriture dans le cache | Cache 5 min | Cache 1 h |
|---|---|---|---|---|---|---|
| Taille de la requête, en tokens(0; 200 000] | Entrée0,002 USD | Sortie0,012 USD | Lecture du cache0,0002 USD | Écriture dans le cacheTarif de base : — | Cache 5 minTarif de base : — | Cache 1 hTarif de base : — |
| Taille de la requête, en tokens(200 000; ∞) | Entrée0,004 USD | Sortie0,018 USD | Lecture du cache0,0004 USD | Écriture dans le cacheTarif de base : — | Cache 5 minTarif de base : — | Cache 1 hTarif de base : — |
Tarifs en USD par 1K jetons. Si aucun tarif n’est défini, le tarif de base de cette méthode est hérité ; «—» signifie qu’aucun tarif de base n’est défini.
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 →
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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 2 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 2 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${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-pro-preview: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-pro-preview: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-pro-preview", 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-pro-preview", 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-pro-preview',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 diffusion en continu prise 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview est le modèle de raisonnement multimodal de Google pour les tâches complexes de logiciels, d’algorithmes et de connaissances. Il accepte texte, images, audio, vidéo et PDF et renvoie texte ou code, avec outils et sortie structurée. Les niveaux low, medium et high orientent l’effort; high est le réglage documenté par défaut.
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 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-pro-preview | 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 comme texte littéral ; aucun ID 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’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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.1-pro-preview","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-pro-preview", 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, 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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
gemini-3.1-pro-previewGemini 3.1 Pro Preview est le modèle de raisonnement multimodal de Google pour les tâches complexes de logiciels, d’algorithmes et de connaissances. Il accepte texte, images, audio, vidéo et PDF et renvoie texte ou code, avec outils et sortie structurée. Les niveaux low, medium et high orientent l’effort; high est le réglage documenté par défaut.
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 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.1-pro-preview | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-3.1-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-preview', '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-pro-preview', '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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
google/gemini-3.1-pro-previewGemini 3.1 Pro Preview est le modèle de raisonnement multimodal de Google pour les tâches complexes de logiciels, d’algorithmes et de connaissances. Il accepte texte, images, audio, vidéo et PDF et renvoie texte ou code, avec outils et sortie structurée. Les niveaux low, medium et high orientent l’effort; high est le réglage documenté par défaut.
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 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.1-pro-preview | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.1-pro-preview", "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-pro-preview',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-pro-preview',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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
google/gemini-3.1-pro-previewGemini 3.1 Pro Preview est le modèle de raisonnement multimodal de Google pour les tâches complexes de logiciels, d’algorithmes et de connaissances. Il accepte texte, images, audio, vidéo et PDF et renvoie texte ou code, avec outils et sortie structurée. Les niveaux low, medium et high orientent l’effort; high est le réglage documenté par défaut.
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 Pro Preview est le modèle textuel de Google axé sur le raisonnement pour les tâches complexes qui nécessitent du génie logiciel, du développement algorithmique ou une synthèse de données probantes multimodales. Il s’appuie sur Gemini 3 Pro, en mettant l’accent sur l’utilisation précise des outils, un raisonnement plus efficace et une exécution fiable à plusieurs étapes. Le texte, les images, l’audio, la vidéo et les PDF peuvent contribuer à une réponse écrite, à un livrable de code ou à un résultat structuré.
Pour une tâche de programmation exigeante, fournissez l’objectif, les éléments pertinents du dépôt, le comportement observé et les contraintes à conserver. Des dépôts de code entiers peuvent fournir du contexte à la tâche. Pour vérifier un contrat de code, demandez au modèle de comparer la gestion d’un contrat de données partagé dans deux modules, d’identifier l’écart et de proposer une correction ciblée avec des références au code à l’appui. La sortie utile distingue l’analyse, la révision proposée et les données probantes de toute validation effectuée par l’application connectée.
Les éléments de lancement montrent des explications visuelles basées sur du code et des projets interactifs, notamment une sortie SVG animée à partir d’une consigne textuelle. Ce sont des livrables de code plutôt que de la génération d’images matricielles. Une consigne claire peut définir ce qui doit être expliqué, le comportement du visuel et les données qu’il doit représenter. Vérifiez le code et le rendu obtenus à partir de ces exigences. Pour une tâche de synthèse de données, fournissez les sources réelles et demandez une vue unique qui préserve les relations et les nuances qu’elles contiennent.
Les niveaux de réflexion documentés sont faible, moyen et élevé, le niveau élevé étant la valeur par défaut de 3.1 Pro Preview. La réflexion ne peut pas être complètement désactivée dans ce profil Pro. Choisissez un effort moindre pour une réponse délimitée et davantage de raisonnement pour le travail difficile à plusieurs étapes, tout en laissant une capacité de sortie suffisante pour le livrable final. Une petite limite de sortie peut interrompre le raisonnement avant qu’une réponse finale utilisable n’apparaisse. Le guide de réflexion distingue un résumé du raisonnement du processus interne complet et explique pourquoi le contexte de signatures de pensée de la conversation compte.
Le tableau Preview exact indique les appels de fonctions, l’exécution de code, l’ancrage par recherche, l’ancrage avec Maps, le contexte URL et les sorties structurées. Il limite File Search à AI Studio. Fournissez la finalité des fonctions et les définitions de paramètres, puis continuez à partir du résultat réellement renvoyé. Le profil distinct Custom Tools Preview est optimisé pour prioriser les outils personnalisés et bash; il s’agit d’un point de terminaison nommé distinct du producteur, et cette spécialisation ne doit donc pas être traitée discrètement comme une propriété de chaque requête 3.1 Pro. Sélectionnez un schéma de résultat structuré lorsqu’une tâche nécessite des enregistrements définis plutôt que de la prose libre.
Pour une analyse multimodale, identifiez la page, le visuel, l’intervalle d’enregistrement ou l’événement vidéo pertinent. Pour une analyse documentaire, comparez un diagramme à sa spécification écrite et renvoyez chaque écart avec le passage à l’appui. Une source parlée peut fournir une transcription ou une interprétation textuelle. Préservez les références aux sources pour les conclusions à vérifier et distinguez ce qui est visible ou énoncé de ce qui est inféré. La sortie de ce profil reste du texte, y compris du code; la génération native d’images ou de parole ne fait pas partie de son tableau exact de capacités.
La fiche native 3.1 Pro précise un contexte allant jusqu’à 1M et une sortie textuelle de 64K, et le tableau API Preview exact donne 1 048 576 jetons d’entrée et 65 536 jetons de sortie. Incluez les instructions, l’historique de conversation et les médias dans le budget d’entrée. La mise en cache et le traitement par lots sont documentés, les options Flex et Priority étant aussi indiquées pour le profil du producteur. Pour plusieurs éléments indépendants, définissez la sortie requise et conservez chaque identifiant de source plutôt que de combiner des données probantes sans rapport dans une réponse impossible à retracer.
L’édition nommée Preview reste distincte du profil Custom Tools de Pro et des versions Flash ou Pro ultérieures. Ses forces concernent le raisonnement complexe, la programmation et la synthèse de données probantes; le livrable final doit tout de même être vérifié à partir de la source et des résultats d’outils réels. Conservez les ambiguïtés non résolues lorsque l’information fournie n’appuie pas une conclusion certaine. Un livrable utile est la réponse, le code ou l’enregistrement étayé par les sources que la tâche demande, avec assez de données probantes pour en évaluer les limites pratiques.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.1-pro-preview | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons Sortie · Jetons de raisonnement en sortie $0.024 / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse200 000 | Coût Entrée · Jetons en entrée $0.004 / 1K jetons Sortie · Jetons en sortie $0.024 / 1K jetons Entrée · Lecture du cache $0.0004 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de200 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.008 / 1K jetons Sortie · Jetons en sortie $0.036 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0.00075 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "google/gemini-3.1-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-preview', '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-pro-preview', '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 gemini-3.1-pro-preview
Ailoot Ultra gemini-3.1-pro-preview, google/gemini-3.1-pro-preview~google/gemini-pro-latest
/chat/completions
google/gemini-3.1-pro-preview, ~google/gemini-pro-latest, gemini-3.1-pro-preview, gemini-3.1-pro-preview
Exemple technique en anglais
Review a cross-module date contract\n\nReview this contract mismatch. Producer emits {due_date: "2026-11-03"}; consumer reads record.dueDate and displays "No date" when missing. Existing stored records use due_date. Propose the smallest compatible correction and tests for both present and absent dates. Preserve the producer field and do not add a second stored field.A short mismatch analysis, a focused consumer patch and tests covering the stored field and missing-value behavior.Check that the patch reads due_date without changing persisted records or treating an absent date as a valid one.