Gemini 3.5 Flash est le profil de modèle Flash multimodal de Google pour les travaux prolongés de programmation et les tâches réalisées par des agents. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et le PDF, avec une sortie textuelle. Les tâches ciblées comprennent la programmation itérative, l’exploration de solutions alternatives et de longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des réglages de réflexion, des entrées multimodales et des processus documentés utilisant des outils.
Une tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple d’instructions : « Compare la capture d’écran avec le texte du composant, identifie l’écart dans le processus du formulaire et propose une correction ciblée. Explique quels détails sources justifient le changement. » Pour un document, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références sources pour chaque constat.
L’édition documente les niveaux de réflexion minimal, low, medium et high. Medium est la valeur par défaut, remplaçant high, la valeur par défaut de Gemini 3 Flash Preview. Minimal convient aux réponses simples et aux choix d’outils simples sans garantir que le raisonnement soit complètement désactivé ; low vise les tâches nécessitant moins d’étapes ; high fournit un raisonnement plus approfondi pour les mathématiques difficiles, la programmation et les problèmes d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.
Un comportement caractéristique est la préservation du contexte de raisonnement sur une tâche à plusieurs tours. Le flux Interactions de Google transmet ce contexte automatiquement ; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de réflexion. Cela soutient un travail continu de débogage ou de refactoring dans lequel le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en prompt sans rapport et gardez le livrable final demandé clair à mesure que le travail progresse.
L’ensemble d’outils documenté comprend Google Search, l’ancrage Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant indiqués comme des capacités en preview. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions un objectif clair et une définition de paramètres : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre ; les résultats multimodaux doivent figurer dans la réponse de fonction.
Le tableau API exact du modèle indique un maximum de 1 048 576 tokens d’entrée et de 65 536 tokens de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. Le caching et le traitement par lots sont documentés pour ce profil, avec des options supplémentaires de traitement Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du fabricant ; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie et ne rendent pas chaque outil nécessaire à une tâche.
Ce profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide développeur exclut également la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis ; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si des informations externes sont nécessaires et quelles preuves la réponse finale doit conserver.
Pour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une analyse de support peut demander un tableau des problèmes observés, des passages justificatifs et une réponse proposée ; une tâche de programmation peut exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source qui compte, définissez les actions d’outils autorisées et demandez une réponse finale explicite distinguant le travail accompli des questions nécessitant encore des informations. Le processus soutenu du modèle aboutit ainsi à un livrable concret de texte, de code ou de données structurées.
", "aboutText": "Gemini 3.5 Flash est le profil de modèle Flash multimodal de Google pour les travaux prolongés de programmation et les tâches réalisées par des agents. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et le PDF, avec une sortie textuelle. Les tâches ciblées comprennent la programmation itérative, l’exploration de solutions alternatives et de longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des réglages de réflexion, des entrées multimodales et des processus documentés utilisant des outils.\n\nUne tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple d’instructions : « Compare la capture d’écran avec le texte du composant, identifie l’écart dans le processus du formulaire et propose une correction ciblée. Explique quels détails sources justifient le changement. » Pour un document, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références sources pour chaque constat.\n\nL’édition documente les niveaux de réflexion minimal, low, medium et high. Medium est la valeur par défaut, remplaçant high, la valeur par défaut de Gemini 3 Flash Preview. Minimal convient aux réponses simples et aux choix d’outils simples sans garantir que le raisonnement soit complètement désactivé ; low vise les tâches nécessitant moins d’étapes ; high fournit un raisonnement plus approfondi pour les mathématiques difficiles, la programmation et les problèmes d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.\n\nUn comportement caractéristique est la préservation du contexte de raisonnement sur une tâche à plusieurs tours. Le flux Interactions de Google transmet ce contexte automatiquement ; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de réflexion. Cela soutient un travail continu de débogage ou de refactoring dans lequel le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en prompt sans rapport et gardez le livrable final demandé clair à mesure que le travail progresse.\n\nL’ensemble d’outils documenté comprend Google Search, l’ancrage Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant indiqués comme des capacités en preview. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions un objectif clair et une définition de paramètres : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre ; les résultats multimodaux doivent figurer dans la réponse de fonction.\n\nLe tableau API exact du modèle indique un maximum de 1 048 576 tokens d’entrée et de 65 536 tokens de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. Le caching et le traitement par lots sont documentés pour ce profil, avec des options supplémentaires de traitement Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du fabricant ; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie et ne rendent pas chaque outil nécessaire à une tâche.\n\nCe profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide développeur exclut également la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis ; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si des informations externes sont nécessaires et quelles preuves la réponse finale doit conserver.\n\nPour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une analyse de support peut demander un tableau des problèmes observés, des passages justificatifs et une réponse proposée ; une tâche de programmation peut exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source qui compte, définissez les actions d’outils autorisées et demandez une réponse finale explicite distinguant le travail accompli des questions nécessitant encore des informations. Le processus soutenu du modèle aboutit ainsi à un livrable concret de texte, de code ou de données structurées.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e7492da30d3906a9ab727bf223f8741c96d883afbcd3c9c0b0ee1cacea3948ef", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "gemini-3.5-flash-thinkingGemini 3.5 Flash combine la compréhension multimodale avec le raisonnement pour la programmation et les tâches d’agents à plusieurs étapes. Il accepte le texte, les images, la vidéo, l’audio et le PDF et produit du texte, avec des sorties structurées, des outils et une limite d’entrée de 1 048 576 tokens dans son profil documenté.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.5 Flash est le profil de modèle Flash multimodal de Google pour les travaux prolongés de programmation et les tâches réalisées par des agents. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et le PDF, avec une sortie textuelle. Les tâches ciblées comprennent la programmation itérative, l’exploration de solutions alternatives et de longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des réglages de réflexion, des entrées multimodales et des processus documentés utilisant des outils.
Une tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple d’instructions : « Compare la capture d’écran avec le texte du composant, identifie l’écart dans le processus du formulaire et propose une correction ciblée. Explique quels détails sources justifient le changement. » Pour un document, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références sources pour chaque constat.
L’édition documente les niveaux de réflexion minimal, low, medium et high. Medium est la valeur par défaut, remplaçant high, la valeur par défaut de Gemini 3 Flash Preview. Minimal convient aux réponses simples et aux choix d’outils simples sans garantir que le raisonnement soit complètement désactivé ; low vise les tâches nécessitant moins d’étapes ; high fournit un raisonnement plus approfondi pour les mathématiques difficiles, la programmation et les problèmes d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.
Un comportement caractéristique est la préservation du contexte de raisonnement sur une tâche à plusieurs tours. Le flux Interactions de Google transmet ce contexte automatiquement ; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de réflexion. Cela soutient un travail continu de débogage ou de refactoring dans lequel le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en prompt sans rapport et gardez le livrable final demandé clair à mesure que le travail progresse.
L’ensemble d’outils documenté comprend Google Search, l’ancrage Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant indiqués comme des capacités en preview. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions un objectif clair et une définition de paramètres : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre ; les résultats multimodaux doivent figurer dans la réponse de fonction.
Le tableau API exact du modèle indique un maximum de 1 048 576 tokens d’entrée et de 65 536 tokens de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. Le caching et le traitement par lots sont documentés pour ce profil, avec des options supplémentaires de traitement Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du fabricant ; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie et ne rendent pas chaque outil nécessaire à une tâche.
Ce profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide développeur exclut également la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis ; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si des informations externes sont nécessaires et quelles preuves la réponse finale doit conserver.
Pour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une analyse de support peut demander un tableau des problèmes observés, des passages justificatifs et une réponse proposée ; une tâche de programmation peut exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source qui compte, définissez les actions d’outils autorisées et demandez une réponse finale explicite distinguant le travail accompli des questions nécessitant encore des informations. Le processus soutenu du modèle aboutit ainsi à un livrable concret de texte, de code ou de données structurées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.5-flash-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré 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 $0.018 / 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-3.5-flash-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3.5-flash-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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-3.5-flash-thinking
/chat/completions
gemini-3.5-flash-thinkingGemini 3.5 Flash combine la compréhension multimodale avec le raisonnement pour la programmation et les tâches d’agents à plusieurs étapes. Il accepte le texte, les images, la vidéo, l’audio et le PDF et produit du texte, avec des sorties structurées, des outils et une limite d’entrée de 1 048 576 tokens dans son profil documenté.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3.5 Flash est le profil de modèle Flash multimodal de Google pour les travaux prolongés de programmation et les tâches réalisées par des agents. Ses entrées documentées sont le texte, les images, la vidéo, l’audio et le PDF, avec une sortie textuelle. Les tâches ciblées comprennent la programmation itérative, l’exploration de solutions alternatives et de longues séquences d’instructions et d’utilisation d’outils. L’édition 3.5 fournit des réglages de réflexion, des entrées multimodales et des processus documentés utilisant des outils.
Une tâche de programmation peut combiner une exigence écrite, les fichiers sources pertinents et une capture d’écran du résultat souhaité. Fournissez le comportement observé, le comportement attendu et les contraintes qui doivent rester intactes. Voici un exemple d’instructions : « Compare la capture d’écran avec le texte du composant, identifie l’écart dans le processus du formulaire et propose une correction ciblée. Explique quels détails sources justifient le changement. » Pour un document, fournissez les pages pertinentes et demandez une comparaison avec des exigences explicites, avec des références sources pour chaque constat.
L’édition documente les niveaux de réflexion minimal, low, medium et high. Medium est la valeur par défaut, remplaçant high, la valeur par défaut de Gemini 3 Flash Preview. Minimal convient aux réponses simples et aux choix d’outils simples sans garantir que le raisonnement soit complètement désactivé ; low vise les tâches nécessitant moins d’étapes ; high fournit un raisonnement plus approfondi pour les mathématiques difficiles, la programmation et les problèmes d’agents. Google recommande d’utiliser thinking_level pour contrôler l’effort et de conserver les réglages d’échantillonnage par défaut plutôt que de tenter de forcer le raisonnement en modifiant temperature, top-p ou top-k.
Un comportement caractéristique est la préservation du contexte de raisonnement sur une tâche à plusieurs tours. Le flux Interactions de Google transmet ce contexte automatiquement ; son flux GenerateContent exige l’historique complet et non modifié de la conversation, y compris les signatures de réflexion. Cela soutient un travail continu de débogage ou de refactoring dans lequel le raisonnement antérieur éclaire l’étape suivante. Préservez la structure réelle de la conversation plutôt que de transformer chaque suivi en prompt sans rapport et gardez le livrable final demandé clair à mesure que le travail progresse.
L’ensemble d’outils documenté comprend Google Search, l’ancrage Google Maps, File Search, Code Execution, URL Context et Function Calling standard, l’utilisation combinée d’outils et Computer Use étant indiqués comme des capacités en preview. Structured Outputs peut fournir un enregistrement de données défini. Donnez aux fonctions un objectif clair et une définition de paramètres : le modèle choisit une fonction, tandis que l’application connectée réalise son opération et renvoie le résultat. Google exige que les résultats de fonctions correspondent aux appels précédents par identité, nom et nombre ; les résultats multimodaux doivent figurer dans la réponse de fonction.
Le tableau API exact du modèle indique un maximum de 1 048 576 tokens d’entrée et de 65 536 tokens de sortie. L’historique de conversation et les médias fournis contribuent au budget d’entrée. Le caching et le traitement par lots sont documentés pour ce profil, avec des options supplémentaires de traitement Flex et Priority dans le tableau de Google. Ces limites et capacités décrivent l’édition du fabricant ; elles n’exigent pas qu’une réponse remplisse toute la fenêtre de sortie et ne rendent pas chaque outil nécessaire à une tâche.
Ce profil génère du texte plutôt que des images ou de l’audio et n’utilise pas Live API. Son guide développeur exclut également la segmentation d’images. Pour une question visuelle, demandez une description, une extraction ou une interprétation des éléments fournis ; pour un enregistrement parlé, demandez un résultat textuel. Lorsque la réponse dépend d’informations plus récentes, le flux d’ancrage par recherche documenté peut ajouter des sources au-delà des connaissances d’entraînement. Précisez si des informations externes sont nécessaires et quelles preuves la réponse finale doit conserver.
Pour une tâche longue utile, définissez le résultat final et le critère d’achèvement avant la première étape. Une analyse de support peut demander un tableau des problèmes observés, des passages justificatifs et une réponse proposée ; une tâche de programmation peut exiger la modification ciblée et le résultat de validation pertinent. Joignez le contexte source qui compte, définissez les actions d’outils autorisées et demandez une réponse finale explicite distinguant le travail accompli des questions nécessitant encore des informations. Le processus soutenu du modèle aboutit ainsi à un livrable concret de texte, de code ou de données structurées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3.5-flash-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.003 / 1K tokens Sortie · Tokens en sortie $0.018 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-3.5-flash-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.5-flash-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.5-flash-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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-3.5-flash-thinking
/chat/completions