Gemini 2.5 Flash-Lite Preview 09-2025 est l'édition de septembre de Google pour les tâches fréquentes qui nécessitent un résultat textuel concis et bien ciblé. Le fabricant articule sa mise à jour autour de trois thèmes : un meilleur respect des consignes complexes et des invites système, une verbosité réduite et une amélioration de la traduction et de la compréhension multimodale. Le nom daté identifie cette préversion séparément de la préversion Flash-Lite de juin, du modèle stable et d'un alias latest évolutif.
L'amélioration du respect des consignes est utile lorsqu'une tâche comporte plusieurs règles qui doivent rester actives ensemble. Fournissez les sources, le public et le format demandé, puis séparez le contenu obligatoire des explications facultatives. Une tâche de traitement des demandes d'assistance peut exiger une catégorie, la question exacte du client et une prochaine étape fondée uniquement sur une référence fournie. Une tâche documentaire peut préciser les termes à préserver, les faits qui doivent figurer et la manière de représenter les valeurs manquantes. Ces exemples transforment une consigne détaillée en un résultat dont les exigences sont observables.
La réduction de la verbosité est une caractéristique annoncée de cette version. Elle est particulièrement pertinente lorsque la sortie devient une brève valeur de champ, une courte réponse ou l'entrée suivante d'un processus plus large. Demandez les informations nécessaires plutôt qu'une discussion générale : la décision, sa source et la question non résolue. Pour un résumé, énumérez les faits et les échéances qui doivent survivre à la compression et précisez le nombre ou le rôle des sections. La concision ne consiste pas à omettre des conditions importantes ; un modèle de sortie pratique rend le contenu requis explicite.
Google signale une amélioration de la qualité de traduction, de la compréhension des images et de la transcription audio dans cette mise à jour de septembre. Pour la traduction, indiquez le public cible et un glossaire, puis distinguez les noms qui doivent rester inchangés des formulations à adapter. Pour une image, désignez le composant ou le passage à expliquer et décrivez l'usage prévu de la réponse. Pour la transcription audio, demandez un rendu écrit avec la langue et les règles de mise en forme nécessaires à l'étape suivante. Une source multimédia peut aussi être résumée ou comparée à une exigence textuelle si la question identifie le contenu pertinent.
La fiche datée précise liste le texte, les images, la vidéo, l'audio et le PDF comme entrées, avec du texte en sortie. Ses limites sont de 1,048,576 jetons d'entrée et de 65,536 jetons de sortie, et la date limite documentée de ses connaissances est janvier 2025. Le grand profil d'entrée peut combiner sources, consignes et exemples ; attribuez un libellé à chaque source et précisez les preuves sur lesquelles la réponse doit s'appuyer. Il s'agit de l'édition Flash-Lite à sortie textuelle : la parole générée, les images générées et une interface vocale en temps réel ne font pas partie de son profil de sortie annoncé.
Le fabricant documente le raisonnement, les sorties structurées, l'appel de fonctions, l'exécution de code, l'ancrage dans la recherche, le contexte d'URL et la recherche de fichiers. Le raisonnement peut servir à une tâche comportant des conditions dépendantes ; une réponse structurée peut fournir des champs pour l'extraction ou la classification. Un appel de fonction contient un nom de fonction proposé et des arguments, tandis que l'application l'exécute et renvoie le résultat. L'outil d'exécution de code de Google utilise Python ; les outils de recherche et de documents apportent des éléments externes pour une réponse écrite éclairée. Le profil précis comprend aussi la mise en cache et le traitement par lots. Il s'agit de capacités documentées du modèle, et non de l'affirmation qu'une application donnée a activé tous les outils ou les a combinés dans une requête.
La fiche de la famille décrit un transformeur à mélange d'experts parcimonieux doté d'une compréhension multimodale native. Le préentraînement comprend des textes web, des langages de programmation, des images, de l'audio et de la vidéo. Le post-entraînement utilise des paires vérifiées de consignes et de réponses, des informations de préférence humaine et des données d'utilisation d'outils, avec déduplication et filtres de sécurité et de qualité lors de la préparation. La même fiche mentionne de possibles inventions factuelles, des difficultés de raisonnement causal et contrefactuel, des limites de déduction logique complexe et un respect irrégulier des budgets de raisonnement. Elle relève aussi une tendance de certaines réponses à prendre un ton trop professoral. Ce sont des points concrets à examiner pour un modèle de traitement concis.
Préparez des entrées représentatives ordinaires, ambiguës et incomplètes pour une tâche répétée. Pour la traduction, comparez la terminologie, le sens et le respect du format demandé, sans autre texte que le résultat. Pour la transcription ou l'extraction documentaire, comparez les détails renvoyés aux éléments fournis et identifiez ce qui n'a pas pu être établi. Pour une courte réponse, vérifiez que chaque fait obligatoire a été conservé. Le livrable final peut être un passage traduit, un résumé compact, des champs extraits ou une catégorie accompagnée d'une prochaine action. Cette préparation exploite l'accent particulier de l'édition de septembre sur l'exactitude des consignes, la concision et le traitement multimédia, tout en gardant le résultat lié aux preuves d'origine.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 09-2025 est l'édition de septembre de Google pour les tâches fréquentes qui nécessitent un résultat textuel concis et bien ciblé. Le fabricant articule sa mise à jour autour de trois thèmes : un meilleur respect des consignes complexes et des invites système, une verbosité réduite et une amélioration de la traduction et de la compréhension multimodale. Le nom daté identifie cette préversion séparément de la préversion Flash-Lite de juin, du modèle stable et d'un alias latest évolutif.\n\nL'amélioration du respect des consignes est utile lorsqu'une tâche comporte plusieurs règles qui doivent rester actives ensemble. Fournissez les sources, le public et le format demandé, puis séparez le contenu obligatoire des explications facultatives. Une tâche de traitement des demandes d'assistance peut exiger une catégorie, la question exacte du client et une prochaine étape fondée uniquement sur une référence fournie. Une tâche documentaire peut préciser les termes à préserver, les faits qui doivent figurer et la manière de représenter les valeurs manquantes. Ces exemples transforment une consigne détaillée en un résultat dont les exigences sont observables.\n\nLa réduction de la verbosité est une caractéristique annoncée de cette version. Elle est particulièrement pertinente lorsque la sortie devient une brève valeur de champ, une courte réponse ou l'entrée suivante d'un processus plus large. Demandez les informations nécessaires plutôt qu'une discussion générale : la décision, sa source et la question non résolue. Pour un résumé, énumérez les faits et les échéances qui doivent survivre à la compression et précisez le nombre ou le rôle des sections. La concision ne consiste pas à omettre des conditions importantes ; un modèle de sortie pratique rend le contenu requis explicite.\n\nGoogle signale une amélioration de la qualité de traduction, de la compréhension des images et de la transcription audio dans cette mise à jour de septembre. Pour la traduction, indiquez le public cible et un glossaire, puis distinguez les noms qui doivent rester inchangés des formulations à adapter. Pour une image, désignez le composant ou le passage à expliquer et décrivez l'usage prévu de la réponse. Pour la transcription audio, demandez un rendu écrit avec la langue et les règles de mise en forme nécessaires à l'étape suivante. Une source multimédia peut aussi être résumée ou comparée à une exigence textuelle si la question identifie le contenu pertinent.\n\nLa fiche datée précise liste le texte, les images, la vidéo, l'audio et le PDF comme entrées, avec du texte en sortie. Ses limites sont de 1,048,576 jetons d'entrée et de 65,536 jetons de sortie, et la date limite documentée de ses connaissances est janvier 2025. Le grand profil d'entrée peut combiner sources, consignes et exemples ; attribuez un libellé à chaque source et précisez les preuves sur lesquelles la réponse doit s'appuyer. Il s'agit de l'édition Flash-Lite à sortie textuelle : la parole générée, les images générées et une interface vocale en temps réel ne font pas partie de son profil de sortie annoncé.\n\nLe fabricant documente le raisonnement, les sorties structurées, l'appel de fonctions, l'exécution de code, l'ancrage dans la recherche, le contexte d'URL et la recherche de fichiers. Le raisonnement peut servir à une tâche comportant des conditions dépendantes ; une réponse structurée peut fournir des champs pour l'extraction ou la classification. Un appel de fonction contient un nom de fonction proposé et des arguments, tandis que l'application l'exécute et renvoie le résultat. L'outil d'exécution de code de Google utilise Python ; les outils de recherche et de documents apportent des éléments externes pour une réponse écrite éclairée. Le profil précis comprend aussi la mise en cache et le traitement par lots. Il s'agit de capacités documentées du modèle, et non de l'affirmation qu'une application donnée a activé tous les outils ou les a combinés dans une requête.\n\nLa fiche de la famille décrit un transformeur à mélange d'experts parcimonieux doté d'une compréhension multimodale native. Le préentraînement comprend des textes web, des langages de programmation, des images, de l'audio et de la vidéo. Le post-entraînement utilise des paires vérifiées de consignes et de réponses, des informations de préférence humaine et des données d'utilisation d'outils, avec déduplication et filtres de sécurité et de qualité lors de la préparation. La même fiche mentionne de possibles inventions factuelles, des difficultés de raisonnement causal et contrefactuel, des limites de déduction logique complexe et un respect irrégulier des budgets de raisonnement. Elle relève aussi une tendance de certaines réponses à prendre un ton trop professoral. Ce sont des points concrets à examiner pour un modèle de traitement concis.\n\nPréparez des entrées représentatives ordinaires, ambiguës et incomplètes pour une tâche répétée. Pour la traduction, comparez la terminologie, le sens et le respect du format demandé, sans autre texte que le résultat. Pour la transcription ou l'extraction documentaire, comparez les détails renvoyés aux éléments fournis et identifiez ce qui n'a pas pu être établi. Pour une courte réponse, vérifiez que chaque fait obligatoire a été conservé. Le livrable final peut être un passage traduit, un résumé compact, des champs extraits ou une catégorie accompagnée d'une prochaine action. Cette préparation exploite l'accent particulier de l'édition de septembre sur l'exactitude des consignes, la concision et le traitement multimédia, tout en gardant le résultat lié aux preuves d'origine.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 met l'accent sur le respect des consignes, la concision du texte, la traduction et la compréhension multimédia. L'édition de septembre de Google accepte le texte, les images, la vidéo, l'audio et le PDF, avec des réponses structurées et des outils documentés pour le traitement de grands volumes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash-Lite Preview 09-2025 est l'édition de septembre de Google pour les tâches fréquentes qui nécessitent un résultat textuel concis et bien ciblé. Le fabricant articule sa mise à jour autour de trois thèmes : un meilleur respect des consignes complexes et des invites système, une verbosité réduite et une amélioration de la traduction et de la compréhension multimodale. Le nom daté identifie cette préversion séparément de la préversion Flash-Lite de juin, du modèle stable et d'un alias latest évolutif.
L'amélioration du respect des consignes est utile lorsqu'une tâche comporte plusieurs règles qui doivent rester actives ensemble. Fournissez les sources, le public et le format demandé, puis séparez le contenu obligatoire des explications facultatives. Une tâche de traitement des demandes d'assistance peut exiger une catégorie, la question exacte du client et une prochaine étape fondée uniquement sur une référence fournie. Une tâche documentaire peut préciser les termes à préserver, les faits qui doivent figurer et la manière de représenter les valeurs manquantes. Ces exemples transforment une consigne détaillée en un résultat dont les exigences sont observables.
La réduction de la verbosité est une caractéristique annoncée de cette version. Elle est particulièrement pertinente lorsque la sortie devient une brève valeur de champ, une courte réponse ou l'entrée suivante d'un processus plus large. Demandez les informations nécessaires plutôt qu'une discussion générale : la décision, sa source et la question non résolue. Pour un résumé, énumérez les faits et les échéances qui doivent survivre à la compression et précisez le nombre ou le rôle des sections. La concision ne consiste pas à omettre des conditions importantes ; un modèle de sortie pratique rend le contenu requis explicite.
Google signale une amélioration de la qualité de traduction, de la compréhension des images et de la transcription audio dans cette mise à jour de septembre. Pour la traduction, indiquez le public cible et un glossaire, puis distinguez les noms qui doivent rester inchangés des formulations à adapter. Pour une image, désignez le composant ou le passage à expliquer et décrivez l'usage prévu de la réponse. Pour la transcription audio, demandez un rendu écrit avec la langue et les règles de mise en forme nécessaires à l'étape suivante. Une source multimédia peut aussi être résumée ou comparée à une exigence textuelle si la question identifie le contenu pertinent.
La fiche datée précise liste le texte, les images, la vidéo, l'audio et le PDF comme entrées, avec du texte en sortie. Ses limites sont de 1,048,576 jetons d'entrée et de 65,536 jetons de sortie, et la date limite documentée de ses connaissances est janvier 2025. Le grand profil d'entrée peut combiner sources, consignes et exemples ; attribuez un libellé à chaque source et précisez les preuves sur lesquelles la réponse doit s'appuyer. Il s'agit de l'édition Flash-Lite à sortie textuelle : la parole générée, les images générées et une interface vocale en temps réel ne font pas partie de son profil de sortie annoncé.
Le fabricant documente le raisonnement, les sorties structurées, l'appel de fonctions, l'exécution de code, l'ancrage dans la recherche, le contexte d'URL et la recherche de fichiers. Le raisonnement peut servir à une tâche comportant des conditions dépendantes ; une réponse structurée peut fournir des champs pour l'extraction ou la classification. Un appel de fonction contient un nom de fonction proposé et des arguments, tandis que l'application l'exécute et renvoie le résultat. L'outil d'exécution de code de Google utilise Python ; les outils de recherche et de documents apportent des éléments externes pour une réponse écrite éclairée. Le profil précis comprend aussi la mise en cache et le traitement par lots. Il s'agit de capacités documentées du modèle, et non de l'affirmation qu'une application donnée a activé tous les outils ou les a combinés dans une requête.
La fiche de la famille décrit un transformeur à mélange d'experts parcimonieux doté d'une compréhension multimodale native. Le préentraînement comprend des textes web, des langages de programmation, des images, de l'audio et de la vidéo. Le post-entraînement utilise des paires vérifiées de consignes et de réponses, des informations de préférence humaine et des données d'utilisation d'outils, avec déduplication et filtres de sécurité et de qualité lors de la préparation. La même fiche mentionne de possibles inventions factuelles, des difficultés de raisonnement causal et contrefactuel, des limites de déduction logique complexe et un respect irrégulier des budgets de raisonnement. Elle relève aussi une tendance de certaines réponses à prendre un ton trop professoral. Ce sont des points concrets à examiner pour un modèle de traitement concis.
Préparez des entrées représentatives ordinaires, ambiguës et incomplètes pour une tâche répétée. Pour la traduction, comparez la terminologie, le sens et le respect du format demandé, sans autre texte que le résultat. Pour la transcription ou l'extraction documentaire, comparez les détails renvoyés aux éléments fournis et identifiez ce qui n'a pas pu être établi. Pour une courte réponse, vérifiez que chaque fait obligatoire a été conservé. Le livrable final peut être un passage traduit, un résumé compact, des champs extraits ou une catégorie accompagnée d'une prochaine action. Cette préparation exploite l'accent particulier de l'édition de septembre sur l'exactitude des consignes, la concision et le traitement multimédia, tout en gardant le résultat lié aux preuves d'origine.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-lite-preview-09-2025 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-lite-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-lite-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-lite-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 met l'accent sur le respect des consignes, la concision du texte, la traduction et la compréhension multimédia. L'édition de septembre de Google accepte le texte, les images, la vidéo, l'audio et le PDF, avec des réponses structurées et des outils documentés pour le traitement de grands volumes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash-Lite Preview 09-2025 est l'édition de septembre de Google pour les tâches fréquentes qui nécessitent un résultat textuel concis et bien ciblé. Le fabricant articule sa mise à jour autour de trois thèmes : un meilleur respect des consignes complexes et des invites système, une verbosité réduite et une amélioration de la traduction et de la compréhension multimodale. Le nom daté identifie cette préversion séparément de la préversion Flash-Lite de juin, du modèle stable et d'un alias latest évolutif.
L'amélioration du respect des consignes est utile lorsqu'une tâche comporte plusieurs règles qui doivent rester actives ensemble. Fournissez les sources, le public et le format demandé, puis séparez le contenu obligatoire des explications facultatives. Une tâche de traitement des demandes d'assistance peut exiger une catégorie, la question exacte du client et une prochaine étape fondée uniquement sur une référence fournie. Une tâche documentaire peut préciser les termes à préserver, les faits qui doivent figurer et la manière de représenter les valeurs manquantes. Ces exemples transforment une consigne détaillée en un résultat dont les exigences sont observables.
La réduction de la verbosité est une caractéristique annoncée de cette version. Elle est particulièrement pertinente lorsque la sortie devient une brève valeur de champ, une courte réponse ou l'entrée suivante d'un processus plus large. Demandez les informations nécessaires plutôt qu'une discussion générale : la décision, sa source et la question non résolue. Pour un résumé, énumérez les faits et les échéances qui doivent survivre à la compression et précisez le nombre ou le rôle des sections. La concision ne consiste pas à omettre des conditions importantes ; un modèle de sortie pratique rend le contenu requis explicite.
Google signale une amélioration de la qualité de traduction, de la compréhension des images et de la transcription audio dans cette mise à jour de septembre. Pour la traduction, indiquez le public cible et un glossaire, puis distinguez les noms qui doivent rester inchangés des formulations à adapter. Pour une image, désignez le composant ou le passage à expliquer et décrivez l'usage prévu de la réponse. Pour la transcription audio, demandez un rendu écrit avec la langue et les règles de mise en forme nécessaires à l'étape suivante. Une source multimédia peut aussi être résumée ou comparée à une exigence textuelle si la question identifie le contenu pertinent.
La fiche datée précise liste le texte, les images, la vidéo, l'audio et le PDF comme entrées, avec du texte en sortie. Ses limites sont de 1,048,576 jetons d'entrée et de 65,536 jetons de sortie, et la date limite documentée de ses connaissances est janvier 2025. Le grand profil d'entrée peut combiner sources, consignes et exemples ; attribuez un libellé à chaque source et précisez les preuves sur lesquelles la réponse doit s'appuyer. Il s'agit de l'édition Flash-Lite à sortie textuelle : la parole générée, les images générées et une interface vocale en temps réel ne font pas partie de son profil de sortie annoncé.
Le fabricant documente le raisonnement, les sorties structurées, l'appel de fonctions, l'exécution de code, l'ancrage dans la recherche, le contexte d'URL et la recherche de fichiers. Le raisonnement peut servir à une tâche comportant des conditions dépendantes ; une réponse structurée peut fournir des champs pour l'extraction ou la classification. Un appel de fonction contient un nom de fonction proposé et des arguments, tandis que l'application l'exécute et renvoie le résultat. L'outil d'exécution de code de Google utilise Python ; les outils de recherche et de documents apportent des éléments externes pour une réponse écrite éclairée. Le profil précis comprend aussi la mise en cache et le traitement par lots. Il s'agit de capacités documentées du modèle, et non de l'affirmation qu'une application donnée a activé tous les outils ou les a combinés dans une requête.
La fiche de la famille décrit un transformeur à mélange d'experts parcimonieux doté d'une compréhension multimodale native. Le préentraînement comprend des textes web, des langages de programmation, des images, de l'audio et de la vidéo. Le post-entraînement utilise des paires vérifiées de consignes et de réponses, des informations de préférence humaine et des données d'utilisation d'outils, avec déduplication et filtres de sécurité et de qualité lors de la préparation. La même fiche mentionne de possibles inventions factuelles, des difficultés de raisonnement causal et contrefactuel, des limites de déduction logique complexe et un respect irrégulier des budgets de raisonnement. Elle relève aussi une tendance de certaines réponses à prendre un ton trop professoral. Ce sont des points concrets à examiner pour un modèle de traitement concis.
Préparez des entrées représentatives ordinaires, ambiguës et incomplètes pour une tâche répétée. Pour la traduction, comparez la terminologie, le sens et le respect du format demandé, sans autre texte que le résultat. Pour la transcription ou l'extraction documentaire, comparez les détails renvoyés aux éléments fournis et identifiez ce qui n'a pas pu être établi. Pour une courte réponse, vérifiez que chaque fait obligatoire a été conservé. Le livrable final peut être un passage traduit, un résumé compact, des champs extraits ou une catégorie accompagnée d'une prochaine action. Cette préparation exploite l'accent particulier de l'édition de septembre sur l'exactitude des consignes, la concision et le traitement multimédia, tout en gardant le résultat lié aux preuves d'origine.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-lite-preview-09-2025 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-2.5-flash-lite-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-lite-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.