Gemini 3.5 Flash est le profil du modèle multimodal Flash de Google pour la programmation soutenue et le travail d’agent. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et les PDF, avec une sortie textuelle. Les tâches privilégiées par le modèle comprennent la programmation itérative, l’exploration de solutions de rechange et les longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des contrôles de réflexion, des entrées multimodales et des flux de travail avec outils documentés.
Une tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple de consigne : « Comparez la capture d’écran avec le texte du composant, identifiez l’écart dans le flux du formulaire et proposez une correction ciblée. Expliquez quels détails de la source justifient le changement. » Pour une tâche documentaire, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références aux sources pour chaque constat.
L’édition documente les niveaux de réflexion minimal, faible, moyen et élevé. Le niveau moyen est la valeur par défaut, remplaçant le niveau élevé par défaut de Gemini 3 Flash Preview. Le niveau minimal convient aux réponses simples et aux décisions d’outils directes, sans garantir que le raisonnement soit complètement désactivé; le niveau faible vise les tâches nécessitant moins d’étapes; le niveau élevé fournit un raisonnement plus approfondi pour les problèmes difficiles de mathématiques, de programmation et d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.
Un comportement déterminant est la préservation du contexte de raisonnement au fil d’une tâche à plusieurs tours. Le flux Interactions de Google transporte automatiquement ce contexte; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de pensée. Cela soutient une tâche continue de débogage ou de refactorisation dans laquelle le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en invite sans rapport, et gardez le livrable final demandé clair au fil du travail.
L’ensemble d’outils documenté comprend Google Search, l’ancrage avec Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant marqués comme capacités en préversion. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions une finalité claire et des paramètres définis : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre; les résultats multimodaux relèvent de la réponse de fonction.
Le tableau API du modèle exact indique un maximum de 1 048 576 jetons d’entrée et de 65 536 jetons de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. La mise en cache et le traitement par lots sont documentés pour ce profil, avec des options additionnelles Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du producteur; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie ni que chaque outil soit nécessaire à une tâche.
Ce profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide de développement exclut aussi la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si de l’information externe est nécessaire et quelles données probantes la réponse finale doit conserver.
Pour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une tâche d’analyse du soutien pourrait demander un tableau des problèmes observés, des passages à l’appui et une réponse proposée; une tâche de programmation pourrait exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source important, précisez les actions d’outils autorisées et demandez une réponse finale explicite qui distingue le travail terminé des questions nécessitant encore de l’information. Cela transforme le flux soutenu du modèle en livrable concret de texte, de code ou de données structurées.
", "aboutText": "Gemini 3.5 Flash est le profil du modèle multimodal Flash de Google pour la programmation soutenue et le travail d’agent. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et les PDF, avec une sortie textuelle. Les tâches privilégiées par le modèle comprennent la programmation itérative, l’exploration de solutions de rechange et les longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des contrôles de réflexion, des entrées multimodales et des flux de travail avec outils documentés.\n\nUne tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple de consigne : « Comparez la capture d’écran avec le texte du composant, identifiez l’écart dans le flux du formulaire et proposez une correction ciblée. Expliquez quels détails de la source justifient le changement. » Pour une tâche documentaire, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références aux sources pour chaque constat.\n\nL’édition documente les niveaux de réflexion minimal, faible, moyen et élevé. Le niveau moyen est la valeur par défaut, remplaçant le niveau élevé par défaut de Gemini 3 Flash Preview. Le niveau minimal convient aux réponses simples et aux décisions d’outils directes, sans garantir que le raisonnement soit complètement désactivé; le niveau faible vise les tâches nécessitant moins d’étapes; le niveau élevé fournit un raisonnement plus approfondi pour les problèmes difficiles de mathématiques, de programmation et d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.\n\nUn comportement déterminant est la préservation du contexte de raisonnement au fil d’une tâche à plusieurs tours. Le flux Interactions de Google transporte automatiquement ce contexte; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de pensée. Cela soutient une tâche continue de débogage ou de refactorisation dans laquelle le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en invite sans rapport, et gardez le livrable final demandé clair au fil du travail.\n\nL’ensemble d’outils documenté comprend Google Search, l’ancrage avec Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant marqués comme capacités en préversion. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions une finalité claire et des paramètres définis : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre; les résultats multimodaux relèvent de la réponse de fonction.\n\nLe tableau API du modèle exact indique un maximum de 1 048 576 jetons d’entrée et de 65 536 jetons de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. La mise en cache et le traitement par lots sont documentés pour ce profil, avec des options additionnelles Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du producteur; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie ni que chaque outil soit nécessaire à une tâche.\n\nCe profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide de développement exclut aussi la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si de l’information externe est nécessaire et quelles données probantes la réponse finale doit conserver.\n\nPour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une tâche d’analyse du soutien pourrait demander un tableau des problèmes observés, des passages à l’appui et une réponse proposée; une tâche de programmation pourrait exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source important, précisez les actions d’outils autorisées et demandez une réponse finale explicite qui distingue le travail terminé des questions nécessitant encore de l’information. Cela transforme le flux soutenu du modèle en livrable concret de texte, de code ou de données structurées.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "87233b96c28857545fb29a9bd7b1c111ad5bf5f716064ebc81db9aac26d157de", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "gemini-3.5-flash-thinkingGemini 3.5 Flash combine la compréhension multimodale et le raisonnement pour les tâches de programmation et d’agent à plusieurs étapes. Il accepte le texte, les images, la vidéo, l’audio et les PDF et produit du texte, avec des sorties structurées, des outils et une limite d’entrée de 1 048 576 jetons dans son profil documenté.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.5 Flash est le profil du modèle multimodal Flash de Google pour la programmation soutenue et le travail d’agent. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et les PDF, avec une sortie textuelle. Les tâches privilégiées par le modèle comprennent la programmation itérative, l’exploration de solutions de rechange et les longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des contrôles de réflexion, des entrées multimodales et des flux de travail avec outils documentés.
Une tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple de consigne : « Comparez la capture d’écran avec le texte du composant, identifiez l’écart dans le flux du formulaire et proposez une correction ciblée. Expliquez quels détails de la source justifient le changement. » Pour une tâche documentaire, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références aux sources pour chaque constat.
L’édition documente les niveaux de réflexion minimal, faible, moyen et élevé. Le niveau moyen est la valeur par défaut, remplaçant le niveau élevé par défaut de Gemini 3 Flash Preview. Le niveau minimal convient aux réponses simples et aux décisions d’outils directes, sans garantir que le raisonnement soit complètement désactivé; le niveau faible vise les tâches nécessitant moins d’étapes; le niveau élevé fournit un raisonnement plus approfondi pour les problèmes difficiles de mathématiques, de programmation et d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.
Un comportement déterminant est la préservation du contexte de raisonnement au fil d’une tâche à plusieurs tours. Le flux Interactions de Google transporte automatiquement ce contexte; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de pensée. Cela soutient une tâche continue de débogage ou de refactorisation dans laquelle le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en invite sans rapport, et gardez le livrable final demandé clair au fil du travail.
L’ensemble d’outils documenté comprend Google Search, l’ancrage avec Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant marqués comme capacités en préversion. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions une finalité claire et des paramètres définis : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre; les résultats multimodaux relèvent de la réponse de fonction.
Le tableau API du modèle exact indique un maximum de 1 048 576 jetons d’entrée et de 65 536 jetons de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. La mise en cache et le traitement par lots sont documentés pour ce profil, avec des options additionnelles Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du producteur; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie ni que chaque outil soit nécessaire à une tâche.
Ce profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide de développement exclut aussi la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si de l’information externe est nécessaire et quelles données probantes la réponse finale doit conserver.
Pour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une tâche d’analyse du soutien pourrait demander un tableau des problèmes observés, des passages à l’appui et une réponse proposée; une tâche de programmation pourrait exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source important, précisez les actions d’outils autorisées et demandez une réponse finale explicite qui distingue le travail terminé des questions nécessitant encore de l’information. Cela transforme le flux soutenu du modèle en livrable concret de texte, de code ou de données structurées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.5-flash-thinking | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.003 / 1K jetons Sortie · Jetons en sortie $0.018 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.5-flash-thinking","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-3.5-flash-thinking", 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 Ultra gemini-3.5-flash-thinking
/chat/completions
gemini-3.5-flash-thinkingGemini 3.5 Flash combine la compréhension multimodale et le raisonnement pour les tâches de programmation et d’agent à plusieurs étapes. Il accepte le texte, les images, la vidéo, l’audio et les PDF et produit du texte, avec des sorties structurées, des outils et une limite d’entrée de 1 048 576 jetons dans son profil documenté.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.5 Flash est le profil du modèle multimodal Flash de Google pour la programmation soutenue et le travail d’agent. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et les PDF, avec une sortie textuelle. Les tâches privilégiées par le modèle comprennent la programmation itérative, l’exploration de solutions de rechange et les longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des contrôles de réflexion, des entrées multimodales et des flux de travail avec outils documentés.
Une tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple de consigne : « Comparez la capture d’écran avec le texte du composant, identifiez l’écart dans le flux du formulaire et proposez une correction ciblée. Expliquez quels détails de la source justifient le changement. » Pour une tâche documentaire, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références aux sources pour chaque constat.
L’édition documente les niveaux de réflexion minimal, faible, moyen et élevé. Le niveau moyen est la valeur par défaut, remplaçant le niveau élevé par défaut de Gemini 3 Flash Preview. Le niveau minimal convient aux réponses simples et aux décisions d’outils directes, sans garantir que le raisonnement soit complètement désactivé; le niveau faible vise les tâches nécessitant moins d’étapes; le niveau élevé fournit un raisonnement plus approfondi pour les problèmes difficiles de mathématiques, de programmation et d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.
Un comportement déterminant est la préservation du contexte de raisonnement au fil d’une tâche à plusieurs tours. Le flux Interactions de Google transporte automatiquement ce contexte; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de pensée. Cela soutient une tâche continue de débogage ou de refactorisation dans laquelle le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en invite sans rapport, et gardez le livrable final demandé clair au fil du travail.
L’ensemble d’outils documenté comprend Google Search, l’ancrage avec Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant marqués comme capacités en préversion. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions une finalité claire et des paramètres définis : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre; les résultats multimodaux relèvent de la réponse de fonction.
Le tableau API du modèle exact indique un maximum de 1 048 576 jetons d’entrée et de 65 536 jetons de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. La mise en cache et le traitement par lots sont documentés pour ce profil, avec des options additionnelles Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du producteur; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie ni que chaque outil soit nécessaire à une tâche.
Ce profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide de développement exclut aussi la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si de l’information externe est nécessaire et quelles données probantes la réponse finale doit conserver.
Pour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une tâche d’analyse du soutien pourrait demander un tableau des problèmes observés, des passages à l’appui et une réponse proposée; une tâche de programmation pourrait exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source important, précisez les actions d’outils autorisées et demandez une réponse finale explicite qui distingue le travail terminé des questions nécessitant encore de l’information. Cela transforme le flux soutenu du modèle en livrable concret de texte, de code ou de données structurées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.5-flash-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.003 / 1K jetons Sortie · Jetons en sortie $0.018 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-3.5-flash-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.5-flash-thinking', '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-3.5-flash-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-3.5-flash-thinking
/chat/completions