Gemini 2.5 Flash Preview 09-2025 est la préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut combiner la question avec des contenus visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise est distincte de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils, avec un résultat écrit.
Google décrit deux améliorations spécifiques à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque la réflexion est activée. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde vise à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère définissant une modification réussie. Pour un assistant de recherche, définissez la question, les contenus à examiner et les éléments probants nécessaires à la conclusion.
La réflexion et la réponse directe font partie de la conception hybride. Une tâche de réflexion peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut avoir un objectif de réponse plus simple. Indiquez les contraintes obligatoires, les hypothèses que le modèle peut retenir et ce que le livrable final doit contenir. La fiche de famille du fabricant précise que le respect des budgets de réflexion peut être irrégulier ; un budget demandé ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de réflexion ou les valeurs par défaut d’un modèle plus récent.
Le tableau de cette édition précise de septembre indique jusqu’à 1,048,576 tokens en entrée et 65,536 tokens en sortie. Son profil d’entrée étendu peut accueillir des instructions, des exemples, du texte de référence et un contexte multimédia dans une seule tâche. Pour comparer des exigences à une solution proposée, attribuez un libellé aux deux sources et fournissez un ensemble commun de critères. Pour discuter d’une capture d’écran, indiquez l’état ou le composant pertinent ; pour une tâche audio ou vidéo, nommez la question ou l’événement plutôt que de demander une description sans orientation. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue oral en temps réel appartiennent à d’autres profils de modèles.
Google documente l’appel de fonctions, l’exécution de code, l’ancrage dans la recherche, le contexte d’URL et la recherche de fichiers pour cette préversion précise. L’appel de fonctions sélectionne une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche fournit des contenus web pour une réponse éclairée par les sources, tandis que le contexte d’URL utilise le contenu de pages accessibles spécifiées. La recherche de fichiers apporte une autre capacité de récupération de sources. Donnez à l’agent une finalité claire pour chaque outil et précisez les informations attendues à chaque étape, afin que le workflow puisse se poursuivre à partir du résultat réellement renvoyé.
La prise en charge des sorties structurées rend le livrable final exploitable sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de code, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil de ce modèle précis de Google mentionne également la mise en cache du contexte et le traitement par lots. Les contenus sources répétés peuvent rester cohérents entre des tâches liées ; la mise en cache ne prouve pas, à elle seule, qu’une requête particulière a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.
La fiche du modèle de cette famille décrit un transformer à mélange parcimonieux d’experts avec une compréhension native du texte, des contenus visuels et de l’audio. L’entraînement combine du texte web, du code, des images, de l’audio et de la vidéo ; le post-entraînement inclut des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page de ce modèle daté précis donne janvier 2025 comme date limite des connaissances. Les questions nécessitant des informations plus récentes doivent préciser leurs sources ou une étape de récupération appropriée plutôt que de traiter les connaissances d’entraînement du modèle comme un flux d’informations en direct.
Les limites de fond comprennent l’invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille précise également que les réponses peuvent parfois adopter un ton inutilement moralisateur. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet d’agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues à l’aide des outils et les éventuelles questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce workflow, tandis que les entrées préparées et les critères d’achèvement explicites le maintiennent lié à la tâche de l’utilisateur.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 est la préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut combiner la question avec des contenus visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise est distincte de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils, avec un résultat écrit.\n\nGoogle décrit deux améliorations spécifiques à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque la réflexion est activée. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde vise à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère définissant une modification réussie. Pour un assistant de recherche, définissez la question, les contenus à examiner et les éléments probants nécessaires à la conclusion.\n\nLa réflexion et la réponse directe font partie de la conception hybride. Une tâche de réflexion peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut avoir un objectif de réponse plus simple. Indiquez les contraintes obligatoires, les hypothèses que le modèle peut retenir et ce que le livrable final doit contenir. La fiche de famille du fabricant précise que le respect des budgets de réflexion peut être irrégulier ; un budget demandé ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de réflexion ou les valeurs par défaut d’un modèle plus récent.\n\nLe tableau de cette édition précise de septembre indique jusqu’à 1,048,576 tokens en entrée et 65,536 tokens en sortie. Son profil d’entrée étendu peut accueillir des instructions, des exemples, du texte de référence et un contexte multimédia dans une seule tâche. Pour comparer des exigences à une solution proposée, attribuez un libellé aux deux sources et fournissez un ensemble commun de critères. Pour discuter d’une capture d’écran, indiquez l’état ou le composant pertinent ; pour une tâche audio ou vidéo, nommez la question ou l’événement plutôt que de demander une description sans orientation. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue oral en temps réel appartiennent à d’autres profils de modèles.\n\nGoogle documente l’appel de fonctions, l’exécution de code, l’ancrage dans la recherche, le contexte d’URL et la recherche de fichiers pour cette préversion précise. L’appel de fonctions sélectionne une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche fournit des contenus web pour une réponse éclairée par les sources, tandis que le contexte d’URL utilise le contenu de pages accessibles spécifiées. La recherche de fichiers apporte une autre capacité de récupération de sources. Donnez à l’agent une finalité claire pour chaque outil et précisez les informations attendues à chaque étape, afin que le workflow puisse se poursuivre à partir du résultat réellement renvoyé.\n\nLa prise en charge des sorties structurées rend le livrable final exploitable sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de code, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil de ce modèle précis de Google mentionne également la mise en cache du contexte et le traitement par lots. Les contenus sources répétés peuvent rester cohérents entre des tâches liées ; la mise en cache ne prouve pas, à elle seule, qu’une requête particulière a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.\n\nLa fiche du modèle de cette famille décrit un transformer à mélange parcimonieux d’experts avec une compréhension native du texte, des contenus visuels et de l’audio. L’entraînement combine du texte web, du code, des images, de l’audio et de la vidéo ; le post-entraînement inclut des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page de ce modèle daté précis donne janvier 2025 comme date limite des connaissances. Les questions nécessitant des informations plus récentes doivent préciser leurs sources ou une étape de récupération appropriée plutôt que de traiter les connaissances d’entraînement du modèle comme un flux d’informations en direct.\n\nLes limites de fond comprennent l’invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille précise également que les réponses peuvent parfois adopter un ton inutilement moralisateur. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet d’agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues à l’aide des outils et les éventuelles questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce workflow, tandis que les entrées préparées et les critères d’achèvement explicites le maintiennent lié à la tâche de l’utilisateur.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 est l’édition de septembre de Google pour l’analyse multimodale et le travail en plusieurs étapes avec des outils. Elle associe la compréhension du texte, des images, de la vidéo et de l’audio à la réflexion, aux réponses structurées et à une limite d’entrée de 1,048,576 tokens, avec des améliorations spécifiques de l’utilisation d’outils par les agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash Preview 09-2025 est la préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut combiner la question avec des contenus visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise est distincte de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils, avec un résultat écrit.
Google décrit deux améliorations spécifiques à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque la réflexion est activée. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde vise à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère définissant une modification réussie. Pour un assistant de recherche, définissez la question, les contenus à examiner et les éléments probants nécessaires à la conclusion.
La réflexion et la réponse directe font partie de la conception hybride. Une tâche de réflexion peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut avoir un objectif de réponse plus simple. Indiquez les contraintes obligatoires, les hypothèses que le modèle peut retenir et ce que le livrable final doit contenir. La fiche de famille du fabricant précise que le respect des budgets de réflexion peut être irrégulier ; un budget demandé ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de réflexion ou les valeurs par défaut d’un modèle plus récent.
Le tableau de cette édition précise de septembre indique jusqu’à 1,048,576 tokens en entrée et 65,536 tokens en sortie. Son profil d’entrée étendu peut accueillir des instructions, des exemples, du texte de référence et un contexte multimédia dans une seule tâche. Pour comparer des exigences à une solution proposée, attribuez un libellé aux deux sources et fournissez un ensemble commun de critères. Pour discuter d’une capture d’écran, indiquez l’état ou le composant pertinent ; pour une tâche audio ou vidéo, nommez la question ou l’événement plutôt que de demander une description sans orientation. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue oral en temps réel appartiennent à d’autres profils de modèles.
Google documente l’appel de fonctions, l’exécution de code, l’ancrage dans la recherche, le contexte d’URL et la recherche de fichiers pour cette préversion précise. L’appel de fonctions sélectionne une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche fournit des contenus web pour une réponse éclairée par les sources, tandis que le contexte d’URL utilise le contenu de pages accessibles spécifiées. La recherche de fichiers apporte une autre capacité de récupération de sources. Donnez à l’agent une finalité claire pour chaque outil et précisez les informations attendues à chaque étape, afin que le workflow puisse se poursuivre à partir du résultat réellement renvoyé.
La prise en charge des sorties structurées rend le livrable final exploitable sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de code, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil de ce modèle précis de Google mentionne également la mise en cache du contexte et le traitement par lots. Les contenus sources répétés peuvent rester cohérents entre des tâches liées ; la mise en cache ne prouve pas, à elle seule, qu’une requête particulière a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.
La fiche du modèle de cette famille décrit un transformer à mélange parcimonieux d’experts avec une compréhension native du texte, des contenus visuels et de l’audio. L’entraînement combine du texte web, du code, des images, de l’audio et de la vidéo ; le post-entraînement inclut des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page de ce modèle daté précis donne janvier 2025 comme date limite des connaissances. Les questions nécessitant des informations plus récentes doivent préciser leurs sources ou une étape de récupération appropriée plutôt que de traiter les connaissances d’entraînement du modèle comme un flux d’informations en direct.
Les limites de fond comprennent l’invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille précise également que les réponses peuvent parfois adopter un ton inutilement moralisateur. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet d’agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues à l’aide des outils et les éventuelles questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce workflow, tandis que les entrées préparées et les critères d’achèvement explicites le maintiennent lié à la tâche de l’utilisateur.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-preview-09-2025 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.0006 / 1K tokens Sortie · Tokens en sortie $0.005 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 est l’édition de septembre de Google pour l’analyse multimodale et le travail en plusieurs étapes avec des outils. Elle associe la compréhension du texte, des images, de la vidéo et de l’audio à la réflexion, aux réponses structurées et à une limite d’entrée de 1,048,576 tokens, avec des améliorations spécifiques de l’utilisation d’outils par les agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 2.5 Flash Preview 09-2025 est la préversion de septembre du modèle de raisonnement hybride de Google. Ses entrées documentées sont le texte, les images, la vidéo et l’audio ; sa sortie est du texte. Le modèle peut combiner la question avec des contenus visuels ou parlés, puis produire une explication, un document, du code ou une réponse structurée. Cette édition datée précise est distincte de Gemini 2.5 Flash stable et d’un alias latest évolutif. Elle vise la compréhension multimodale et le travail assisté par des outils, avec un résultat écrit.
Google décrit deux améliorations spécifiques à cette version : une meilleure utilisation des outils par les agents et une génération de réponses plus économe lorsque la réflexion est activée. La première concerne les tâches nécessitant plusieurs actions liées, comme obtenir des informations, les comparer à la demande et choisir l’étape suivante. La seconde vise à produire des réponses utiles avec moins de tokens générés tout en conservant la qualité. Pour un assistant de développement, fournissez le comportement observé, le code pertinent et le critère définissant une modification réussie. Pour un assistant de recherche, définissez la question, les contenus à examiner et les éléments probants nécessaires à la conclusion.
La réflexion et la réponse directe font partie de la conception hybride. Une tâche de réflexion peut analyser des dépendances, des conditions mathématiques ou un plan en plusieurs étapes avant de préparer la réponse finale. Une extraction simple ou une courte explication peut avoir un objectif de réponse plus simple. Indiquez les contraintes obligatoires, les hypothèses que le modèle peut retenir et ce que le livrable final doit contenir. La fiche de famille du fabricant précise que le respect des budgets de réflexion peut être irrégulier ; un budget demandé ne prouve donc pas l’existence d’un plafond strict de raisonnement. Cette description n’attribue pas à l’édition de septembre les niveaux de réflexion ou les valeurs par défaut d’un modèle plus récent.
Le tableau de cette édition précise de septembre indique jusqu’à 1,048,576 tokens en entrée et 65,536 tokens en sortie. Son profil d’entrée étendu peut accueillir des instructions, des exemples, du texte de référence et un contexte multimédia dans une seule tâche. Pour comparer des exigences à une solution proposée, attribuez un libellé aux deux sources et fournissez un ensemble commun de critères. Pour discuter d’une capture d’écran, indiquez l’état ou le composant pertinent ; pour une tâche audio ou vidéo, nommez la question ou l’événement plutôt que de demander une description sans orientation. Le résultat reste du texte : la création native d’images, la génération vocale et le dialogue oral en temps réel appartiennent à d’autres profils de modèles.
Google documente l’appel de fonctions, l’exécution de code, l’ancrage dans la recherche, le contexte d’URL et la recherche de fichiers pour cette préversion précise. L’appel de fonctions sélectionne une fonction déclarée et prépare ses arguments ; l’application connectée effectue l’opération et renvoie son résultat. L’exécution de code utilise du Python généré pour les calculs ou le traitement de texte. L’ancrage dans la recherche fournit des contenus web pour une réponse éclairée par les sources, tandis que le contexte d’URL utilise le contenu de pages accessibles spécifiées. La recherche de fichiers apporte une autre capacité de récupération de sources. Donnez à l’agent une finalité claire pour chaque outil et précisez les informations attendues à chaque étape, afin que le workflow puisse se poursuivre à partir du résultat réellement renvoyé.
La prise en charge des sorties structurées rend le livrable final exploitable sous la forme d’un ensemble de champs définis. Pour une comparaison, demandez un critère, le passage source correspondant, la différence observée et la question qui reste à clarifier. Pour une tâche de code, séparez la modification proposée de son explication et des vérifications encore nécessaires. Le profil de ce modèle précis de Google mentionne également la mise en cache du contexte et le traitement par lots. Les contenus sources répétés peuvent rester cohérents entre des tâches liées ; la mise en cache ne prouve pas, à elle seule, qu’une requête particulière a réutilisé des tokens en cache. Ces noms de capacités n’impliquent aucune combinaison de schémas plus récente, aucun seuil de cache ni aucun mode d’utilisation simultanée des outils.
La fiche du modèle de cette famille décrit un transformer à mélange parcimonieux d’experts avec une compréhension native du texte, des contenus visuels et de l’audio. L’entraînement combine du texte web, du code, des images, de l’audio et de la vidéo ; le post-entraînement inclut des paires d’instructions et de réponses multimodales, des préférences humaines et des données d’utilisation d’outils. La préparation des données applique la déduplication ainsi que des filtres de sécurité et de qualité. La page de ce modèle daté précis donne janvier 2025 comme date limite des connaissances. Les questions nécessitant des informations plus récentes doivent préciser leurs sources ou une étape de récupération appropriée plutôt que de traiter les connaissances d’entraînement du modèle comme un flux d’informations en direct.
Les limites de fond comprennent l’invention possible de faits et des difficultés de compréhension causale, de déduction logique complexe et de raisonnement contrefactuel. La fiche de famille précise également que les réponses peuvent parfois adopter un ton inutilement moralisateur. Pour obtenir un résultat utile, exigez que le modèle distingue les faits issus des sources, les hypothèses et les actions proposées, puis examinez les parties qui déterminent la décision. Un livrable complet d’agent peut contenir les constats, une prochaine étape justifiée, les informations obtenues à l’aide des outils et les éventuelles questions non résolues. L’accent mis par la version de septembre sur l’utilisation des outils aide à définir ce workflow, tandis que les entrées préparées et les critères d’achèvement explicites le maintiennent lié à la tâche de l’utilisateur.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-2.5-flash-preview-09-2025 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.005 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.