Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
", "aboutText": "Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.\n\nLe guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.\n\nPour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.\n\nLes niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.\n\nLa page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.\n\nCette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.\n\nLe tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.\n\nLes limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Match a written panel specification\n\nCompare this panel specification with its CSS. Specification: title above the form; labels remain visible; error text appears below its field. CSS: .panel{display:flex;flex-direction:column-reverse} .field label{display:none}. Explain the mismatches and propose the smallest CSS and markup corrections. Give inspection checks for normal and error states using the supplied written requirements.A mismatch list, focused CSS/markup changes and normal/error-state inspection checks.Check that each proposed change maps to a stated requirement without redesigning other elements.gemini-3.7-flashGemini 3.7 Flash combine le raisonnement multimodal avec la programmation et le travail d’agents à plusieurs étapes. Le profil 3.7 de Google met l’accent sur la fidélité aux maquettes et la compréhension vidéo par les agents, avec les niveaux de raisonnement low, medium et high. Il accepte du texte et des médias, renvoie du texte et possède des limites d’entrée/sortie documentées de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
POST /v1/messagestext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.7-flash | 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 sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1/messagesAiloot 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 | Coût |
|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${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-3.7-flash", "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-3.7-flash", "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-3.7-flash",\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-3.7-flash",\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-3.7-flash',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 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 gemini-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash combine le raisonnement multimodal avec la programmation et le travail d’agents à plusieurs étapes. Le profil 3.7 de Google met l’accent sur la fidélité aux maquettes et la compréhension vidéo par les agents, avec les niveaux de raisonnement low, medium et high. Il accepte du texte et des médias, renvoie du texte et possède des limites d’entrée/sortie documentées de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
POST /v1beta/models/{model}:generateContenttext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champpath.model | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.7-flash | 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 sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1beta/models/{model}:generateContentAiloot 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 | Coût |
|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${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-3.7-flash: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-3.7-flash: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-3.7-flash", 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-3.7-flash", 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-3.7-flash',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 streaming pris 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gemini-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash combine le raisonnement multimodal avec la programmation et le travail d’agents à plusieurs étapes. Le profil 3.7 de Google met l’accent sur la fidélité aux maquettes et la compréhension vidéo par les agents, avec les niveaux de raisonnement low, medium et high. Il accepte du texte et des médias, renvoie du texte et possède des limites d’entrée/sortie documentées de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.7-flash | 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 sous forme de texte littéral ; aucun identifiant 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’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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.7-flash","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-3.7-flash", 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, 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 gemini-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash combine le raisonnement multimodal avec la programmation et le travail d’agents à plusieurs étapes. Le profil 3.7 de Google met l’accent sur la fidélité aux maquettes et la compréhension vidéo par les agents, avec les niveaux de raisonnement low, medium et high. Il accepte du texte et des médias, renvoie du texte et possède des limites d’entrée/sortie documentées de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.7-flash | 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-flash', '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-3.7-flash', '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 gemini-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
google/gemini-3.7-flashGemini 3.7 Flash combine le raisonnement multimodal avec la programmation et le travail d’agents à plusieurs étapes. Le profil 3.7 de Google met l’accent sur la fidélité aux maquettes et la compréhension vidéo par les agents, avec les niveaux de raisonnement low, medium et high. Il accepte du texte et des médias, renvoie du texte et possède des limites d’entrée/sortie documentées de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.7-flash | 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.7-flash", "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-3.7-flash',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-3.7-flash',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 gemini-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
google/gemini-3.7-flashGemini 3.7 Flash combine le raisonnement multimodal avec la programmation et le travail d’agents à plusieurs étapes. Le profil 3.7 de Google met l’accent sur la fidélité aux maquettes et la compréhension vidéo par les agents, avec les niveaux de raisonnement low, medium et high. Il accepte du texte et des médias, renvoie du texte et possède des limites d’entrée/sortie documentées de 1 048 576/65 536 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.7 Flash est le profil nommé de raisonnement multimodal de Google pour la programmation, les processus d’agents et l’exécution à plusieurs étapes. Il s’appuie sur Gemini 3.6 Flash, avec des changements algorithmiques du raisonnement et une prise en charge de la compréhension vidéo par les agents. Le texte, les images, l’audio, la vidéo et le PDF peuvent constituer les éléments sources d’un résultat textuel. Les livrables utiles comprennent une révision de code ciblée, une comparaison entre une maquette et une implémentation, ou une analyse fondée sur les sources d’événements dans un enregistrement.
Le guide développeur 3.7 souligne une meilleure fidélité au design pour les travaux sur ordinateur et sur le web. Pour cette tâche, fournissez la maquette souhaitée, la source pertinente et l’écart observable. Demandez une comparaison avec des éléments concrets tels que les espacements, les états des composants, la hiérarchie du texte ou le comportement des interactions. Pour une comparaison de design, demandez une liste des écarts entre la maquette d’un panneau de réglages et son implémentation existante, chaque correction proposée étant reliée à la capture d’écran ou à la source. Le résultat doit identifier les changements nécessaires sans étendre silencieusement le design au-delà des exigences fournies.
Pour un processus de programmation, fournissez l’objectif, le comportement existant, les fichiers pertinents et les contraintes. Google positionne 3.7 pour résoudre les problèmes logiciels et réduire les boucles d’agents infructueuses, mais une vérification utile examine toujours la modification réelle et le résultat de validation. Conservez la séquence d’observations d’outils dans la conversation afin qu’une étape ultérieure ne parte pas d’un récit inventé de la base de code. Le résultat final peut distinguer une modification proposée d’une modification confirmée par les outils de l’application connectée.
Les niveaux de réflexion documentés sont faible (low), moyen (medium) et élevé (high), le niveau moyen étant celui par défaut. Le niveau faible permet des réponses délimitées plus rapides, tandis que le niveau élevé vise les raisonnements difficiles et les travaux prolongés avec des outils. Gemini 3.7 Flash ne prend pas en charge le niveau minimal. Une analyse courte d’un écart d’interface et une investigation approfondie portant sur plusieurs fichiers appellent donc des choix d’effort différents. Définissez le livrable final et les conditions qu’il doit satisfaire avant de demander une longue séquence de raisonnement et d’actions.
La page exacte du modèle indique les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage avec Maps et le contexte fourni par une URL. Computer Use est indiqué en préversion, et les sorties structurées peuvent définir un enregistrement de résultat. Une demande de fonction est une opération proposée que l’application connectée doit exécuter et dont elle doit renvoyer le résultat. Pour une tâche d’agent, donnez un objectif clair à l’outil et conservez le résultat réel avant de demander au modèle de poursuivre. Pour une extraction documentaire, définissez les champs, les valeurs acceptables et la représentation des informations manquantes.
Cette édition prend en charge la compréhension vidéo par les agents. Fournissez l’enregistrement pertinent et précisez l’événement ou la relation à examiner. Des instructions pratiques peuvent demander quelle action visible explique un changement d’état, ou une description ordonnée des événements accompagnée de preuves tirées du clip. Les images et les pages PDF peuvent de même étayer une comparaison visuelle ou documentaire. La sortie reste du texte : une interprétation, des données extraites, du code ou une explication écrite. La génération de vidéo, d’illustrations ou de parole relève de profils de modèles distincts.
Le tableau API exact 3.7 de Google spécifie 1 048 576 tokens d’entrée et 65 536 tokens de sortie, tandis que sa fiche native décrit un contexte allant jusqu’à 1M et une sortie textuelle de 64K. Incluez les instructions, les tours précédents et les médias fournis dans la préparation de l’entrée. Le traitement par lots et la mise en cache sont indiqués pour le profil du fabricant, aux côtés des options Flex et Priority. Pour un ensemble de requêtes indépendantes, conservez les identifiants de source et un format de résultat cohérent afin que chaque réponse puisse être vérifiée par rapport à sa propre entrée.
Les limites possibles comprennent les hallucinations et des lenteurs ou délais d’attente dépassés occasionnels. Sa limite de connaissances est mars 2026, certains domaines étant limités à janvier 2025. Fournissez des éléments sources actuels lorsqu’une conclusion dépend de faits plus récents. La distinction utile de cette édition est son orientation documentée vers les problèmes logiciels, la fidélité au design et le raisonnement vidéo ; examinez ces résultats par rapport à la maquette, au code ou aux médias réels plutôt que de remplacer un profil historique nommé par des fonctionnalités plus récentes.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites google/gemini-3.7-flash | 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "google/gemini-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-flash', '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-3.7-flash', '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 gemini-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
Exemple technique en anglais
Match a written panel specification\n\nCompare this panel specification with its CSS. Specification: title above the form; labels remain visible; error text appears below its field. CSS: .panel{display:flex;flex-direction:column-reverse} .field label{display:none}. Explain the mismatches and propose the smallest CSS and markup corrections. Give inspection checks for normal and error states using the supplied written requirements.A mismatch list, focused CSS/markup changes and normal/error-state inspection checks.Check that each proposed change maps to a stated requirement without redesigning other elements.