Gemini 3 Pro Preview est le profil de préversion Gemini 3 Pro nommé par Google pour le raisonnement multimodal et la génération de texte. Il peut traiter du texte, des images, de l’audio, de la vidéo et des documents PDF, puis produire un résultat écrit. Les usages prévus comprennent l’analyse complexe, la programmation avancée, le développement d’algorithmes et les tâches combinant un ensemble conséquent de sources avec une question précise.
Gemini 3 Pro est un modèle à mélange parcimonieux d’experts fondé sur les transformers, avec prise en charge native des entrées multimodales. Son architecture dirige chaque token vers un sous-ensemble d’experts sélectionné. Il s’agit d’une particularité de conception du modèle, et non d’une commande permettant à l’utilisateur de choisir un expert particulier ou de fixer une configuration de service.
Préparez les entrées selon les informations nécessaires à la tâche. Un document, une capture d’écran et un enregistrement audio peuvent apporter des éléments probants différents. Identifiez le contenu de chaque ressource et sa contribution attendue à la réponse. La sortie reste du texte ; comprendre un contenu visuel ou parlé ne fait pas de cette préversion un générateur d’images, de voix ou de vidéos.
Utilisez les images pour les questions sur le contenu visible, l’audio pour les informations parlées ou acoustiques et la vidéo pour une séquence dont l’évolution temporelle importe. Joignez la ressource réelle à la question plutôt que de la décrire uniquement de mémoire. Si vous comparez plusieurs ressources, donnez-leur des libellés clairs afin que la réponse puisse renvoyer à la bonne source.
Par exemple, un dossier d’analyse produit peut combiner une spécification écrite, une capture de l’interface et une démonstration enregistrée. Demandez une comparaison séparant les promesses de la spécification de ce qui est visible ou audible dans les éléments fournis. Définissez le résultat souhaité sous forme de constats, d’observations à l’appui et de questions non résolues.
Pour une tâche sur un PDF, fournissez le document et identifiez les sections ou les affirmations à examiner. Une question utile demande une comparaison, une extraction ou une explication liée à la source, au lieu de solliciter uniquement un résumé général d’un gros fichier.
La spécification exacte de cette préversion indique une limite d’entrée de 1 048 576 tokens et une limite de sortie de 65 536 tokens. Le fabricant situe la fin des connaissances en janvier 2025 ; fournissez des éléments plus récents lorsque la question dépend d’événements ou d’informations ultérieurs. Ces capacités sont distinctes. Un grand ensemble de sources peut être lu pour apporter une réponse ciblée, sans obliger le modèle à reproduire chaque partie de l’entrée.
Organisez les documents longs pour rendre leur structure claire : titres des documents, limites des sections, chemins des fichiers de code et question à laquelle la sortie doit répondre. Gardez les exceptions et définitions pertinentes près du contenu qu’elles précisent. Si une tâche exige un long rapport, indiquez ses sections et les éléments probants attendus dans chacune.
Une grande fenêtre de contexte ne garantit ni une attention égale à chaque détail ni l’exactitude de toutes les conclusions. Google signale également une dégradation possible au fil des conversations à plusieurs tours ; vérifiez les faits sources importants et le contexte réutilisé à mesure que l’échange avance. Confrontez la réponse aux passages ou ressources précis qui soutiennent ses affirmations importantes.
Les usages prévus par le producteur comprennent la programmation avancée et les travaux algorithmiques. Fournissez les sources pertinentes, les hypothèses sur l’environnement, l’échec observé et le comportement attendu. Pour une tâche algorithmique, définissez l’entrée, la sortie souhaitée et les conditions telles que l’ordre, les doublons ou les données invalides.
Un dossier de débogage utile associe l’entrée défaillante et l’erreur à la plus petite portion de source pertinente. Demandez un diagnostic et une modification ciblée, puis vérifiez si cette modification traite le comportement signalé. Le code généré et l’affirmation qu’il devrait fonctionner se distinguent d’une implémentation réellement exécutée et vérifiée.
Pour une question portant sur un dépôt plus vaste, utilisez la capacité d’entrée pour fournir les fichiers nécessaires avec des chemins clairement indiqués. Précisez si le livrable souhaité est une explication, une proposition de correctif ou une analyse d’alternatives afin que le résultat ait une finalité concrète.
La spécification du producteur pour cette préversion prend en charge les appels de fonctions, l’exécution de code, la recherche de fichiers, l’ancrage dans des résultats de recherche et le contexte d’URL. Ces fonctions ont des rôles distincts. Un appel de fonction décrit une opération à exécuter par une application ; le résultat de l’outil apporte ensuite des éléments probants à l’étape suivante du modèle. L’exécution de code est un flux avec outil, et non une garantie que tout code applicatif généré a déjà été testé.
L’ancrage dans des résultats de recherche et le contexte d’URL permettent des flux centrés sur les sources, tandis que la recherche de fichiers exploite une collection de fichiers préparée. Conservez les résultats d’outils et les liens avec les sources dans la réponse pour permettre d’examiner une conclusion. Selon sa spécification, ce profil ne prend en charge ni l’utilisation d’un ordinateur ni l’ancrage dans Maps.
La prise en charge des sorties structurées permet d’exprimer un résultat selon un schéma défini. Précisez les champs et leur signification avant la génération, puis vérifiez leur contenu autant que leur format. Un objet structuré valide exige toujours une vérification factuelle et propre à la tâche.
Cette préversion prend en charge la réflexion. Utilisez une tâche claire, des éléments probants pertinents et des contraintes explicites pour les travaux nécessitant plusieurs étapes de raisonnement. Le résultat doit expliquer les hypothèses et la conclusion utile ; le raisonnement caché ou l’existence d’un mode de réflexion ne constituent pas en eux-mêmes une vérification.
Le producteur indique également la prise en charge du cache et du traitement par lots. Ces fonctions de traitement sont distinctes des capacités de contenu du modèle, et leur présence ne prouve ni la mise en cache d’une requête précise ni l’exactitude du résultat d’un lot.
Distinguez Gemini 3 Pro Preview de Gemini 3.1 Pro Preview, de Gemini 3 Pro Image et des profils audio ou Live. La sortie de cette préversion est textuelle, et sa spécification n’inclut ni génération d’images, ni génération audio, ni fonctionnement Live. Évaluez la réponse, le code ou le résultat structuré renvoyé à partir des sources fournies et de la tâche prévue.
", "aboutText": "Gemini 3 Pro Preview est le profil de préversion Gemini 3 Pro nommé par Google pour le raisonnement multimodal et la génération de texte. Il peut traiter du texte, des images, de l’audio, de la vidéo et des documents PDF, puis produire un résultat écrit. Les usages prévus comprennent l’analyse complexe, la programmation avancée, le développement d’algorithmes et les tâches combinant un ensemble conséquent de sources avec une question précise.\n\n### Structure du modèle et des entrées\n\nGemini 3 Pro est un modèle à mélange parcimonieux d’experts fondé sur les transformers, avec prise en charge native des entrées multimodales. Son architecture dirige chaque token vers un sous-ensemble d’experts sélectionné. Il s’agit d’une particularité de conception du modèle, et non d’une commande permettant à l’utilisateur de choisir un expert particulier ou de fixer une configuration de service.\n\nPréparez les entrées selon les informations nécessaires à la tâche. Un document, une capture d’écran et un enregistrement audio peuvent apporter des éléments probants différents. Identifiez le contenu de chaque ressource et sa contribution attendue à la réponse. La sortie reste du texte ; comprendre un contenu visuel ou parlé ne fait pas de cette préversion un générateur d’images, de voix ou de vidéos.\n\n### Analyse multimodale\n\nUtilisez les images pour les questions sur le contenu visible, l’audio pour les informations parlées ou acoustiques et la vidéo pour une séquence dont l’évolution temporelle importe. Joignez la ressource réelle à la question plutôt que de la décrire uniquement de mémoire. Si vous comparez plusieurs ressources, donnez-leur des libellés clairs afin que la réponse puisse renvoyer à la bonne source.\n\nPar exemple, un dossier d’analyse produit peut combiner une spécification écrite, une capture de l’interface et une démonstration enregistrée. Demandez une comparaison séparant les promesses de la spécification de ce qui est visible ou audible dans les éléments fournis. Définissez le résultat souhaité sous forme de constats, d’observations à l’appui et de questions non résolues.\n\nPour une tâche sur un PDF, fournissez le document et identifiez les sections ou les affirmations à examiner. Une question utile demande une comparaison, une extraction ou une explication liée à la source, au lieu de solliciter uniquement un résumé général d’un gros fichier.\n\n### Contexte long et capacité de sortie\n\nLa spécification exacte de cette préversion indique une limite d’entrée de 1 048 576 tokens et une limite de sortie de 65 536 tokens. Le fabricant situe la fin des connaissances en janvier 2025 ; fournissez des éléments plus récents lorsque la question dépend d’événements ou d’informations ultérieurs. Ces capacités sont distinctes. Un grand ensemble de sources peut être lu pour apporter une réponse ciblée, sans obliger le modèle à reproduire chaque partie de l’entrée.\n\nOrganisez les documents longs pour rendre leur structure claire : titres des documents, limites des sections, chemins des fichiers de code et question à laquelle la sortie doit répondre. Gardez les exceptions et définitions pertinentes près du contenu qu’elles précisent. Si une tâche exige un long rapport, indiquez ses sections et les éléments probants attendus dans chacune.\n\nUne grande fenêtre de contexte ne garantit ni une attention égale à chaque détail ni l’exactitude de toutes les conclusions. Google signale également une dégradation possible au fil des conversations à plusieurs tours ; vérifiez les faits sources importants et le contexte réutilisé à mesure que l’échange avance. Confrontez la réponse aux passages ou ressources précis qui soutiennent ses affirmations importantes.\n\n### Programmation et développement d’algorithmes\n\nLes usages prévus par le producteur comprennent la programmation avancée et les travaux algorithmiques. Fournissez les sources pertinentes, les hypothèses sur l’environnement, l’échec observé et le comportement attendu. Pour une tâche algorithmique, définissez l’entrée, la sortie souhaitée et les conditions telles que l’ordre, les doublons ou les données invalides.\n\nUn dossier de débogage utile associe l’entrée défaillante et l’erreur à la plus petite portion de source pertinente. Demandez un diagnostic et une modification ciblée, puis vérifiez si cette modification traite le comportement signalé. Le code généré et l’affirmation qu’il devrait fonctionner se distinguent d’une implémentation réellement exécutée et vérifiée.\n\nPour une question portant sur un dépôt plus vaste, utilisez la capacité d’entrée pour fournir les fichiers nécessaires avec des chemins clairement indiqués. Précisez si le livrable souhaité est une explication, une proposition de correctif ou une analyse d’alternatives afin que le résultat ait une finalité concrète.\n\n### Outils, sources et résultats structurés\n\nLa spécification du producteur pour cette préversion prend en charge les appels de fonctions, l’exécution de code, la recherche de fichiers, l’ancrage dans des résultats de recherche et le contexte d’URL. Ces fonctions ont des rôles distincts. Un appel de fonction décrit une opération à exécuter par une application ; le résultat de l’outil apporte ensuite des éléments probants à l’étape suivante du modèle. L’exécution de code est un flux avec outil, et non une garantie que tout code applicatif généré a déjà été testé.\n\nL’ancrage dans des résultats de recherche et le contexte d’URL permettent des flux centrés sur les sources, tandis que la recherche de fichiers exploite une collection de fichiers préparée. Conservez les résultats d’outils et les liens avec les sources dans la réponse pour permettre d’examiner une conclusion. Selon sa spécification, ce profil ne prend en charge ni l’utilisation d’un ordinateur ni l’ancrage dans Maps.\n\nLa prise en charge des sorties structurées permet d’exprimer un résultat selon un schéma défini. Précisez les champs et leur signification avant la génération, puis vérifiez leur contenu autant que leur format. Un objet structuré valide exige toujours une vérification factuelle et propre à la tâche.\n\n### Raisonnement, réutilisation et limites entre éditions\n\nCette préversion prend en charge la réflexion. Utilisez une tâche claire, des éléments probants pertinents et des contraintes explicites pour les travaux nécessitant plusieurs étapes de raisonnement. Le résultat doit expliquer les hypothèses et la conclusion utile ; le raisonnement caché ou l’existence d’un mode de réflexion ne constituent pas en eux-mêmes une vérification.\n\nLe producteur indique également la prise en charge du cache et du traitement par lots. Ces fonctions de traitement sont distinctes des capacités de contenu du modèle, et leur présence ne prouve ni la mise en cache d’une requête précise ni l’exactitude du résultat d’un lot.\n\nDistinguez Gemini 3 Pro Preview de Gemini 3.1 Pro Preview, de Gemini 3 Pro Image et des profils audio ou Live. La sortie de cette préversion est textuelle, et sa spécification n’inclut ni génération d’images, ni génération audio, ni fonctionnement Live. Évaluez la réponse, le code ou le résultat structuré renvoyé à partir des sources fournies et de la tâche prévue.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b15feff5a3a503d6175c765a57728dde2e07741afb52dba967d29c69688763ec", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "gemini-3-pro-previewGemini 3 Pro Preview est le modèle de raisonnement multimodal de Google pour le texte, les images, l’audio, la vidéo et les PDF, avec une sortie textuelle. Sa grande capacité d’entrée, ses fonctions de programmation et les flux avec outils pris en charge conviennent à l’analyse détaillée, à la comparaison de documents et à l’exécution de tâches fondée sur des éléments probants.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3 Pro Preview est le profil de préversion Gemini 3 Pro nommé par Google pour le raisonnement multimodal et la génération de texte. Il peut traiter du texte, des images, de l’audio, de la vidéo et des documents PDF, puis produire un résultat écrit. Les usages prévus comprennent l’analyse complexe, la programmation avancée, le développement d’algorithmes et les tâches combinant un ensemble conséquent de sources avec une question précise.
Gemini 3 Pro est un modèle à mélange parcimonieux d’experts fondé sur les transformers, avec prise en charge native des entrées multimodales. Son architecture dirige chaque token vers un sous-ensemble d’experts sélectionné. Il s’agit d’une particularité de conception du modèle, et non d’une commande permettant à l’utilisateur de choisir un expert particulier ou de fixer une configuration de service.
Préparez les entrées selon les informations nécessaires à la tâche. Un document, une capture d’écran et un enregistrement audio peuvent apporter des éléments probants différents. Identifiez le contenu de chaque ressource et sa contribution attendue à la réponse. La sortie reste du texte ; comprendre un contenu visuel ou parlé ne fait pas de cette préversion un générateur d’images, de voix ou de vidéos.
Utilisez les images pour les questions sur le contenu visible, l’audio pour les informations parlées ou acoustiques et la vidéo pour une séquence dont l’évolution temporelle importe. Joignez la ressource réelle à la question plutôt que de la décrire uniquement de mémoire. Si vous comparez plusieurs ressources, donnez-leur des libellés clairs afin que la réponse puisse renvoyer à la bonne source.
Par exemple, un dossier d’analyse produit peut combiner une spécification écrite, une capture de l’interface et une démonstration enregistrée. Demandez une comparaison séparant les promesses de la spécification de ce qui est visible ou audible dans les éléments fournis. Définissez le résultat souhaité sous forme de constats, d’observations à l’appui et de questions non résolues.
Pour une tâche sur un PDF, fournissez le document et identifiez les sections ou les affirmations à examiner. Une question utile demande une comparaison, une extraction ou une explication liée à la source, au lieu de solliciter uniquement un résumé général d’un gros fichier.
La spécification exacte de cette préversion indique une limite d’entrée de 1 048 576 tokens et une limite de sortie de 65 536 tokens. Le fabricant situe la fin des connaissances en janvier 2025 ; fournissez des éléments plus récents lorsque la question dépend d’événements ou d’informations ultérieurs. Ces capacités sont distinctes. Un grand ensemble de sources peut être lu pour apporter une réponse ciblée, sans obliger le modèle à reproduire chaque partie de l’entrée.
Organisez les documents longs pour rendre leur structure claire : titres des documents, limites des sections, chemins des fichiers de code et question à laquelle la sortie doit répondre. Gardez les exceptions et définitions pertinentes près du contenu qu’elles précisent. Si une tâche exige un long rapport, indiquez ses sections et les éléments probants attendus dans chacune.
Une grande fenêtre de contexte ne garantit ni une attention égale à chaque détail ni l’exactitude de toutes les conclusions. Google signale également une dégradation possible au fil des conversations à plusieurs tours ; vérifiez les faits sources importants et le contexte réutilisé à mesure que l’échange avance. Confrontez la réponse aux passages ou ressources précis qui soutiennent ses affirmations importantes.
Les usages prévus par le producteur comprennent la programmation avancée et les travaux algorithmiques. Fournissez les sources pertinentes, les hypothèses sur l’environnement, l’échec observé et le comportement attendu. Pour une tâche algorithmique, définissez l’entrée, la sortie souhaitée et les conditions telles que l’ordre, les doublons ou les données invalides.
Un dossier de débogage utile associe l’entrée défaillante et l’erreur à la plus petite portion de source pertinente. Demandez un diagnostic et une modification ciblée, puis vérifiez si cette modification traite le comportement signalé. Le code généré et l’affirmation qu’il devrait fonctionner se distinguent d’une implémentation réellement exécutée et vérifiée.
Pour une question portant sur un dépôt plus vaste, utilisez la capacité d’entrée pour fournir les fichiers nécessaires avec des chemins clairement indiqués. Précisez si le livrable souhaité est une explication, une proposition de correctif ou une analyse d’alternatives afin que le résultat ait une finalité concrète.
La spécification du producteur pour cette préversion prend en charge les appels de fonctions, l’exécution de code, la recherche de fichiers, l’ancrage dans des résultats de recherche et le contexte d’URL. Ces fonctions ont des rôles distincts. Un appel de fonction décrit une opération à exécuter par une application ; le résultat de l’outil apporte ensuite des éléments probants à l’étape suivante du modèle. L’exécution de code est un flux avec outil, et non une garantie que tout code applicatif généré a déjà été testé.
L’ancrage dans des résultats de recherche et le contexte d’URL permettent des flux centrés sur les sources, tandis que la recherche de fichiers exploite une collection de fichiers préparée. Conservez les résultats d’outils et les liens avec les sources dans la réponse pour permettre d’examiner une conclusion. Selon sa spécification, ce profil ne prend en charge ni l’utilisation d’un ordinateur ni l’ancrage dans Maps.
La prise en charge des sorties structurées permet d’exprimer un résultat selon un schéma défini. Précisez les champs et leur signification avant la génération, puis vérifiez leur contenu autant que leur format. Un objet structuré valide exige toujours une vérification factuelle et propre à la tâche.
Cette préversion prend en charge la réflexion. Utilisez une tâche claire, des éléments probants pertinents et des contraintes explicites pour les travaux nécessitant plusieurs étapes de raisonnement. Le résultat doit expliquer les hypothèses et la conclusion utile ; le raisonnement caché ou l’existence d’un mode de réflexion ne constituent pas en eux-mêmes une vérification.
Le producteur indique également la prise en charge du cache et du traitement par lots. Ces fonctions de traitement sont distinctes des capacités de contenu du modèle, et leur présence ne prouve ni la mise en cache d’une requête précise ni l’exactitude du résultat d’un lot.
Distinguez Gemini 3 Pro Preview de Gemini 3.1 Pro Preview, de Gemini 3 Pro Image et des profils audio ou Live. La sortie de cette préversion est textuelle, et sa spécification n’inclut ni génération d’images, ni génération audio, ni fonctionnement Live. Évaluez la réponse, le code ou le résultat structuré renvoyé à partir des sources fournies et de la tâche prévue.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3-pro-preview | 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.024 / 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-pro-preview","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-pro-preview", 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-pro-preview
/chat/completions
gemini-3-pro-previewGemini 3 Pro Preview est le modèle de raisonnement multimodal de Google pour le texte, les images, l’audio, la vidéo et les PDF, avec une sortie textuelle. Sa grande capacité d’entrée, ses fonctions de programmation et les flux avec outils pris en charge conviennent à l’analyse détaillée, à la comparaison de documents et à l’exécution de tâches fondée sur des éléments probants.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Gemini 3 Pro Preview est le profil de préversion Gemini 3 Pro nommé par Google pour le raisonnement multimodal et la génération de texte. Il peut traiter du texte, des images, de l’audio, de la vidéo et des documents PDF, puis produire un résultat écrit. Les usages prévus comprennent l’analyse complexe, la programmation avancée, le développement d’algorithmes et les tâches combinant un ensemble conséquent de sources avec une question précise.
Gemini 3 Pro est un modèle à mélange parcimonieux d’experts fondé sur les transformers, avec prise en charge native des entrées multimodales. Son architecture dirige chaque token vers un sous-ensemble d’experts sélectionné. Il s’agit d’une particularité de conception du modèle, et non d’une commande permettant à l’utilisateur de choisir un expert particulier ou de fixer une configuration de service.
Préparez les entrées selon les informations nécessaires à la tâche. Un document, une capture d’écran et un enregistrement audio peuvent apporter des éléments probants différents. Identifiez le contenu de chaque ressource et sa contribution attendue à la réponse. La sortie reste du texte ; comprendre un contenu visuel ou parlé ne fait pas de cette préversion un générateur d’images, de voix ou de vidéos.
Utilisez les images pour les questions sur le contenu visible, l’audio pour les informations parlées ou acoustiques et la vidéo pour une séquence dont l’évolution temporelle importe. Joignez la ressource réelle à la question plutôt que de la décrire uniquement de mémoire. Si vous comparez plusieurs ressources, donnez-leur des libellés clairs afin que la réponse puisse renvoyer à la bonne source.
Par exemple, un dossier d’analyse produit peut combiner une spécification écrite, une capture de l’interface et une démonstration enregistrée. Demandez une comparaison séparant les promesses de la spécification de ce qui est visible ou audible dans les éléments fournis. Définissez le résultat souhaité sous forme de constats, d’observations à l’appui et de questions non résolues.
Pour une tâche sur un PDF, fournissez le document et identifiez les sections ou les affirmations à examiner. Une question utile demande une comparaison, une extraction ou une explication liée à la source, au lieu de solliciter uniquement un résumé général d’un gros fichier.
La spécification exacte de cette préversion indique une limite d’entrée de 1 048 576 tokens et une limite de sortie de 65 536 tokens. Le fabricant situe la fin des connaissances en janvier 2025 ; fournissez des éléments plus récents lorsque la question dépend d’événements ou d’informations ultérieurs. Ces capacités sont distinctes. Un grand ensemble de sources peut être lu pour apporter une réponse ciblée, sans obliger le modèle à reproduire chaque partie de l’entrée.
Organisez les documents longs pour rendre leur structure claire : titres des documents, limites des sections, chemins des fichiers de code et question à laquelle la sortie doit répondre. Gardez les exceptions et définitions pertinentes près du contenu qu’elles précisent. Si une tâche exige un long rapport, indiquez ses sections et les éléments probants attendus dans chacune.
Une grande fenêtre de contexte ne garantit ni une attention égale à chaque détail ni l’exactitude de toutes les conclusions. Google signale également une dégradation possible au fil des conversations à plusieurs tours ; vérifiez les faits sources importants et le contexte réutilisé à mesure que l’échange avance. Confrontez la réponse aux passages ou ressources précis qui soutiennent ses affirmations importantes.
Les usages prévus par le producteur comprennent la programmation avancée et les travaux algorithmiques. Fournissez les sources pertinentes, les hypothèses sur l’environnement, l’échec observé et le comportement attendu. Pour une tâche algorithmique, définissez l’entrée, la sortie souhaitée et les conditions telles que l’ordre, les doublons ou les données invalides.
Un dossier de débogage utile associe l’entrée défaillante et l’erreur à la plus petite portion de source pertinente. Demandez un diagnostic et une modification ciblée, puis vérifiez si cette modification traite le comportement signalé. Le code généré et l’affirmation qu’il devrait fonctionner se distinguent d’une implémentation réellement exécutée et vérifiée.
Pour une question portant sur un dépôt plus vaste, utilisez la capacité d’entrée pour fournir les fichiers nécessaires avec des chemins clairement indiqués. Précisez si le livrable souhaité est une explication, une proposition de correctif ou une analyse d’alternatives afin que le résultat ait une finalité concrète.
La spécification du producteur pour cette préversion prend en charge les appels de fonctions, l’exécution de code, la recherche de fichiers, l’ancrage dans des résultats de recherche et le contexte d’URL. Ces fonctions ont des rôles distincts. Un appel de fonction décrit une opération à exécuter par une application ; le résultat de l’outil apporte ensuite des éléments probants à l’étape suivante du modèle. L’exécution de code est un flux avec outil, et non une garantie que tout code applicatif généré a déjà été testé.
L’ancrage dans des résultats de recherche et le contexte d’URL permettent des flux centrés sur les sources, tandis que la recherche de fichiers exploite une collection de fichiers préparée. Conservez les résultats d’outils et les liens avec les sources dans la réponse pour permettre d’examiner une conclusion. Selon sa spécification, ce profil ne prend en charge ni l’utilisation d’un ordinateur ni l’ancrage dans Maps.
La prise en charge des sorties structurées permet d’exprimer un résultat selon un schéma défini. Précisez les champs et leur signification avant la génération, puis vérifiez leur contenu autant que leur format. Un objet structuré valide exige toujours une vérification factuelle et propre à la tâche.
Cette préversion prend en charge la réflexion. Utilisez une tâche claire, des éléments probants pertinents et des contraintes explicites pour les travaux nécessitant plusieurs étapes de raisonnement. Le résultat doit expliquer les hypothèses et la conclusion utile ; le raisonnement caché ou l’existence d’un mode de réflexion ne constituent pas en eux-mêmes une vérification.
Le producteur indique également la prise en charge du cache et du traitement par lots. Ces fonctions de traitement sont distinctes des capacités de contenu du modèle, et leur présence ne prouve ni la mise en cache d’une requête précise ni l’exactitude du résultat d’un lot.
Distinguez Gemini 3 Pro Preview de Gemini 3.1 Pro Preview, de Gemini 3 Pro Image et des profils audio ou Live. La sortie de cette préversion est textuelle, et sa spécification n’inclut ni génération d’images, ni génération audio, ni fonctionnement Live. Évaluez la réponse, le code ou le résultat structuré renvoyé à partir des sources fournies et de la tâche prévue.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gemini-3-pro-preview | 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.024 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gemini-3-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-preview', '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-pro-preview', '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-pro-preview
/chat/completions