Gemini 2.5 Flash Preview 09-2025 è l'edizione di anteprima di settembre del modello a ragionamento ibrido di Google. Gli input documentati sono testo, immagini, video e audio; l'output è testuale. Il modello può combinare la domanda con materiale visivo o parlato, quindi produrre una spiegazione, un documento, codice o una risposta strutturata. Questa esatta edizione datata è distinta da Gemini 2.5 Flash stabile e da un alias latest che cambia nel tempo. Il suo scopo è la comprensione multimodale e il lavoro assistito da strumenti con un risultato scritto.
Google descrive due miglioramenti specifici per questa versione: un migliore uso degli strumenti da parte degli agenti e una generazione delle risposte più economica quando il ragionamento è attivo. Il primo riguarda attività che richiedono più azioni collegate, come ottenere informazioni, confrontarle con la richiesta e scegliere il passo successivo. Il secondo riguarda la produzione di risposte utili con meno token generati, mantenendo la qualità. Per un assistente di sviluppo, fornisci il comportamento osservato, il codice pertinente e il criterio che definisce una modifica riuscita. Per un assistente di ricerca, definisci la domanda, il materiale da esaminare e le prove necessarie per la conclusione.
Il ragionamento e la risposta diretta fanno parte della progettazione ibrida. Un'attività che usa il ragionamento può analizzare dipendenze, condizioni matematiche o un piano in più passaggi prima di preparare la risposta finale. Un'estrazione semplice o una spiegazione breve possono avere un obiettivo di risposta più semplice. Specifica quali vincoli sono obbligatori, cosa può assumere il modello e cosa deve contenere l'elaborato finale. La scheda della famiglia del produttore segnala che il rispetto dei budget di ragionamento può essere discontinuo: un budget richiesto non dimostra quindi un tetto rigido al ragionamento. Questa descrizione non attribuisce all'edizione di settembre i livelli di ragionamento o le impostazioni predefinite di un modello più recente.
La tabella dell'esatto modello di settembre specifica fino a 1,048,576 token di input e 65,536 token di output. Il suo ampio profilo di input può contenere istruzioni, esempi, testo di riferimento e contesto multimediale in una sola attività. Per confrontare i requisiti con una soluzione proposta, contrassegna le due fonti e fornisci una serie comune di criteri. Per discutere uno screenshot, identifica lo stato o il componente pertinente; per un'attività su audio o video, indica la domanda o l'evento invece di chiedere una descrizione senza un obiettivo preciso. Il risultato rimane testuale: la creazione nativa di immagini, la generazione vocale e il dialogo parlato in tempo reale appartengono ad altri profili di modello.
Google documenta la chiamata di funzioni, l'esecuzione di codice, l'ancoraggio alla ricerca, il contesto da URL e la ricerca nei file per questa esatta anteprima. La chiamata di funzioni sceglie una funzione dichiarata e ne prepara gli argomenti; l'applicazione collegata esegue l'operazione e ne restituisce il risultato. L'esecuzione di codice usa Python generato per calcoli o elaborazione del testo. L'ancoraggio alla ricerca fornisce materiale web per una risposta informata dalle fonti, mentre il contesto da URL lavora con il contenuto di pagine accessibili specificate. La ricerca nei file offre un'ulteriore capacità di recupero delle fonti. Assegna a un agente uno scopo chiaro per ogni strumento e specifica le informazioni attese da ciascun passaggio, così il flusso di lavoro può proseguire dal risultato effettivamente restituito.
Il supporto per l'output strutturato rende l'elaborato finale utilizzabile come insieme di campi definiti. Per un confronto, richiedi un criterio, il corrispondente passaggio della fonte, la differenza osservata e la domanda che necessita ancora di chiarimento. Per un'attività sul codice, separa la modifica proposta dalla relativa spiegazione e dalle verifiche ancora necessarie. L'esatto profilo del modello di Google indica inoltre il supporto per la memorizzazione del contesto nella cache e l'elaborazione in batch. Il materiale di partenza ripetuto può essere mantenuto coerente tra attività correlate; la cache, di per sé, non dimostra che una specifica richiesta abbia riutilizzato token memorizzati. Questi nomi di capacità non implicano combinazioni di schemi più recenti, soglie di cache o modalità simultanee degli strumenti.
La scheda della famiglia descrive un transformer mixture-of-experts sparso, con comprensione nativa di testo, elementi visivi e audio. L'addestramento combina testo web, codice, immagini, audio e video; il post-addestramento include coppie di istruzioni e risposte multimodali, preferenze umane e dati sull'uso degli strumenti. La preparazione dei dati applica deduplicazione e filtri di sicurezza e qualità. La pagina dell'esatto modello datato indica gennaio 2025 come termine delle conoscenze. Le domande che richiedono informazioni più recenti dovrebbero identificare il materiale di partenza o un opportuno passaggio di recupero, invece di trattare le conoscenze apprese dal modello come un flusso di informazioni in tempo reale.
I limiti sostanziali comprendono la possibile invenzione di fatti e difficoltà nella comprensione causale, nella deduzione logica complessa e nel ragionamento controfattuale. La scheda della famiglia segnala inoltre che le risposte possono talvolta assumere un tono inutilmente didascalico. Per ottenere un risultato utile, richiedi al modello di distinguere fatti delle fonti, assunzioni e azioni proposte, quindi esamina le parti che determinano la decisione. Un elaborato completo prodotto da un agente potrebbe contenere i risultati, un passo successivo motivato, le informazioni ottenute dagli strumenti e ogni domanda irrisolta. L'attenzione della versione di settembre all'uso degli strumenti contribuisce a definire tale flusso di lavoro, mentre gli input preparati e i criteri espliciti di completamento lo mantengono legato all'attività dell'utente.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 è l'edizione di anteprima di settembre del modello a ragionamento ibrido di Google. Gli input documentati sono testo, immagini, video e audio; l'output è testuale. Il modello può combinare la domanda con materiale visivo o parlato, quindi produrre una spiegazione, un documento, codice o una risposta strutturata. Questa esatta edizione datata è distinta da Gemini 2.5 Flash stabile e da un alias latest che cambia nel tempo. Il suo scopo è la comprensione multimodale e il lavoro assistito da strumenti con un risultato scritto.\n\nGoogle descrive due miglioramenti specifici per questa versione: un migliore uso degli strumenti da parte degli agenti e una generazione delle risposte più economica quando il ragionamento è attivo. Il primo riguarda attività che richiedono più azioni collegate, come ottenere informazioni, confrontarle con la richiesta e scegliere il passo successivo. Il secondo riguarda la produzione di risposte utili con meno token generati, mantenendo la qualità. Per un assistente di sviluppo, fornisci il comportamento osservato, il codice pertinente e il criterio che definisce una modifica riuscita. Per un assistente di ricerca, definisci la domanda, il materiale da esaminare e le prove necessarie per la conclusione.\n\nIl ragionamento e la risposta diretta fanno parte della progettazione ibrida. Un'attività che usa il ragionamento può analizzare dipendenze, condizioni matematiche o un piano in più passaggi prima di preparare la risposta finale. Un'estrazione semplice o una spiegazione breve possono avere un obiettivo di risposta più semplice. Specifica quali vincoli sono obbligatori, cosa può assumere il modello e cosa deve contenere l'elaborato finale. La scheda della famiglia del produttore segnala che il rispetto dei budget di ragionamento può essere discontinuo: un budget richiesto non dimostra quindi un tetto rigido al ragionamento. Questa descrizione non attribuisce all'edizione di settembre i livelli di ragionamento o le impostazioni predefinite di un modello più recente.\n\nLa tabella dell'esatto modello di settembre specifica fino a 1,048,576 token di input e 65,536 token di output. Il suo ampio profilo di input può contenere istruzioni, esempi, testo di riferimento e contesto multimediale in una sola attività. Per confrontare i requisiti con una soluzione proposta, contrassegna le due fonti e fornisci una serie comune di criteri. Per discutere uno screenshot, identifica lo stato o il componente pertinente; per un'attività su audio o video, indica la domanda o l'evento invece di chiedere una descrizione senza un obiettivo preciso. Il risultato rimane testuale: la creazione nativa di immagini, la generazione vocale e il dialogo parlato in tempo reale appartengono ad altri profili di modello.\n\nGoogle documenta la chiamata di funzioni, l'esecuzione di codice, l'ancoraggio alla ricerca, il contesto da URL e la ricerca nei file per questa esatta anteprima. La chiamata di funzioni sceglie una funzione dichiarata e ne prepara gli argomenti; l'applicazione collegata esegue l'operazione e ne restituisce il risultato. L'esecuzione di codice usa Python generato per calcoli o elaborazione del testo. L'ancoraggio alla ricerca fornisce materiale web per una risposta informata dalle fonti, mentre il contesto da URL lavora con il contenuto di pagine accessibili specificate. La ricerca nei file offre un'ulteriore capacità di recupero delle fonti. Assegna a un agente uno scopo chiaro per ogni strumento e specifica le informazioni attese da ciascun passaggio, così il flusso di lavoro può proseguire dal risultato effettivamente restituito.\n\nIl supporto per l'output strutturato rende l'elaborato finale utilizzabile come insieme di campi definiti. Per un confronto, richiedi un criterio, il corrispondente passaggio della fonte, la differenza osservata e la domanda che necessita ancora di chiarimento. Per un'attività sul codice, separa la modifica proposta dalla relativa spiegazione e dalle verifiche ancora necessarie. L'esatto profilo del modello di Google indica inoltre il supporto per la memorizzazione del contesto nella cache e l'elaborazione in batch. Il materiale di partenza ripetuto può essere mantenuto coerente tra attività correlate; la cache, di per sé, non dimostra che una specifica richiesta abbia riutilizzato token memorizzati. Questi nomi di capacità non implicano combinazioni di schemi più recenti, soglie di cache o modalità simultanee degli strumenti.\n\nLa scheda della famiglia descrive un transformer mixture-of-experts sparso, con comprensione nativa di testo, elementi visivi e audio. L'addestramento combina testo web, codice, immagini, audio e video; il post-addestramento include coppie di istruzioni e risposte multimodali, preferenze umane e dati sull'uso degli strumenti. La preparazione dei dati applica deduplicazione e filtri di sicurezza e qualità. La pagina dell'esatto modello datato indica gennaio 2025 come termine delle conoscenze. Le domande che richiedono informazioni più recenti dovrebbero identificare il materiale di partenza o un opportuno passaggio di recupero, invece di trattare le conoscenze apprese dal modello come un flusso di informazioni in tempo reale.\n\nI limiti sostanziali comprendono la possibile invenzione di fatti e difficoltà nella comprensione causale, nella deduzione logica complessa e nel ragionamento controfattuale. La scheda della famiglia segnala inoltre che le risposte possono talvolta assumere un tono inutilmente didascalico. Per ottenere un risultato utile, richiedi al modello di distinguere fatti delle fonti, assunzioni e azioni proposte, quindi esamina le parti che determinano la decisione. Un elaborato completo prodotto da un agente potrebbe contenere i risultati, un passo successivo motivato, le informazioni ottenute dagli strumenti e ogni domanda irrisolta. L'attenzione della versione di settembre all'uso degli strumenti contribuisce a definire tale flusso di lavoro, mentre gli input preparati e i criteri espliciti di completamento lo mantengono legato all'attività dell'utente.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è l'edizione di settembre di Google per l'analisi multimodale e il lavoro in più passaggi con strumenti. Combina la comprensione di testo, immagini, video e audio con il ragionamento, risposte strutturate e un limite di input di 1,048,576 token, con miglioramenti specifici nell'uso degli strumenti da parte degli agenti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Gemini 2.5 Flash Preview 09-2025 è l'edizione di anteprima di settembre del modello a ragionamento ibrido di Google. Gli input documentati sono testo, immagini, video e audio; l'output è testuale. Il modello può combinare la domanda con materiale visivo o parlato, quindi produrre una spiegazione, un documento, codice o una risposta strutturata. Questa esatta edizione datata è distinta da Gemini 2.5 Flash stabile e da un alias latest che cambia nel tempo. Il suo scopo è la comprensione multimodale e il lavoro assistito da strumenti con un risultato scritto.
Google descrive due miglioramenti specifici per questa versione: un migliore uso degli strumenti da parte degli agenti e una generazione delle risposte più economica quando il ragionamento è attivo. Il primo riguarda attività che richiedono più azioni collegate, come ottenere informazioni, confrontarle con la richiesta e scegliere il passo successivo. Il secondo riguarda la produzione di risposte utili con meno token generati, mantenendo la qualità. Per un assistente di sviluppo, fornisci il comportamento osservato, il codice pertinente e il criterio che definisce una modifica riuscita. Per un assistente di ricerca, definisci la domanda, il materiale da esaminare e le prove necessarie per la conclusione.
Il ragionamento e la risposta diretta fanno parte della progettazione ibrida. Un'attività che usa il ragionamento può analizzare dipendenze, condizioni matematiche o un piano in più passaggi prima di preparare la risposta finale. Un'estrazione semplice o una spiegazione breve possono avere un obiettivo di risposta più semplice. Specifica quali vincoli sono obbligatori, cosa può assumere il modello e cosa deve contenere l'elaborato finale. La scheda della famiglia del produttore segnala che il rispetto dei budget di ragionamento può essere discontinuo: un budget richiesto non dimostra quindi un tetto rigido al ragionamento. Questa descrizione non attribuisce all'edizione di settembre i livelli di ragionamento o le impostazioni predefinite di un modello più recente.
La tabella dell'esatto modello di settembre specifica fino a 1,048,576 token di input e 65,536 token di output. Il suo ampio profilo di input può contenere istruzioni, esempi, testo di riferimento e contesto multimediale in una sola attività. Per confrontare i requisiti con una soluzione proposta, contrassegna le due fonti e fornisci una serie comune di criteri. Per discutere uno screenshot, identifica lo stato o il componente pertinente; per un'attività su audio o video, indica la domanda o l'evento invece di chiedere una descrizione senza un obiettivo preciso. Il risultato rimane testuale: la creazione nativa di immagini, la generazione vocale e il dialogo parlato in tempo reale appartengono ad altri profili di modello.
Google documenta la chiamata di funzioni, l'esecuzione di codice, l'ancoraggio alla ricerca, il contesto da URL e la ricerca nei file per questa esatta anteprima. La chiamata di funzioni sceglie una funzione dichiarata e ne prepara gli argomenti; l'applicazione collegata esegue l'operazione e ne restituisce il risultato. L'esecuzione di codice usa Python generato per calcoli o elaborazione del testo. L'ancoraggio alla ricerca fornisce materiale web per una risposta informata dalle fonti, mentre il contesto da URL lavora con il contenuto di pagine accessibili specificate. La ricerca nei file offre un'ulteriore capacità di recupero delle fonti. Assegna a un agente uno scopo chiaro per ogni strumento e specifica le informazioni attese da ciascun passaggio, così il flusso di lavoro può proseguire dal risultato effettivamente restituito.
Il supporto per l'output strutturato rende l'elaborato finale utilizzabile come insieme di campi definiti. Per un confronto, richiedi un criterio, il corrispondente passaggio della fonte, la differenza osservata e la domanda che necessita ancora di chiarimento. Per un'attività sul codice, separa la modifica proposta dalla relativa spiegazione e dalle verifiche ancora necessarie. L'esatto profilo del modello di Google indica inoltre il supporto per la memorizzazione del contesto nella cache e l'elaborazione in batch. Il materiale di partenza ripetuto può essere mantenuto coerente tra attività correlate; la cache, di per sé, non dimostra che una specifica richiesta abbia riutilizzato token memorizzati. Questi nomi di capacità non implicano combinazioni di schemi più recenti, soglie di cache o modalità simultanee degli strumenti.
La scheda della famiglia descrive un transformer mixture-of-experts sparso, con comprensione nativa di testo, elementi visivi e audio. L'addestramento combina testo web, codice, immagini, audio e video; il post-addestramento include coppie di istruzioni e risposte multimodali, preferenze umane e dati sull'uso degli strumenti. La preparazione dei dati applica deduplicazione e filtri di sicurezza e qualità. La pagina dell'esatto modello datato indica gennaio 2025 come termine delle conoscenze. Le domande che richiedono informazioni più recenti dovrebbero identificare il materiale di partenza o un opportuno passaggio di recupero, invece di trattare le conoscenze apprese dal modello come un flusso di informazioni in tempo reale.
I limiti sostanziali comprendono la possibile invenzione di fatti e difficoltà nella comprensione causale, nella deduzione logica complessa e nel ragionamento controfattuale. La scheda della famiglia segnala inoltre che le risposte possono talvolta assumere un tono inutilmente didascalico. Per ottenere un risultato utile, richiedi al modello di distinguere fatti delle fonti, assunzioni e azioni proposte, quindi esamina le parti che determinano la decisione. Un elaborato completo prodotto da un agente potrebbe contenere i risultati, un passo successivo motivato, le informazioni ottenute dagli strumenti e ogni domanda irrisolta. L'attenzione della versione di settembre all'uso degli strumenti contribuisce a definire tale flusso di lavoro, mentre gli input preparati e i criteri espliciti di completamento lo mantengono legato all'attività dell'utente.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti gemini-2.5-flash-preview-09-2025 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0006 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Usa i percorsi dei metodi indicati sopra.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 è l'edizione di settembre di Google per l'analisi multimodale e il lavoro in più passaggi con strumenti. Combina la comprensione di testo, immagini, video e audio con il ragionamento, risposte strutturate e un limite di input di 1,048,576 token, con miglioramenti specifici nell'uso degli strumenti da parte degli agenti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Gemini 2.5 Flash Preview 09-2025 è l'edizione di anteprima di settembre del modello a ragionamento ibrido di Google. Gli input documentati sono testo, immagini, video e audio; l'output è testuale. Il modello può combinare la domanda con materiale visivo o parlato, quindi produrre una spiegazione, un documento, codice o una risposta strutturata. Questa esatta edizione datata è distinta da Gemini 2.5 Flash stabile e da un alias latest che cambia nel tempo. Il suo scopo è la comprensione multimodale e il lavoro assistito da strumenti con un risultato scritto.
Google descrive due miglioramenti specifici per questa versione: un migliore uso degli strumenti da parte degli agenti e una generazione delle risposte più economica quando il ragionamento è attivo. Il primo riguarda attività che richiedono più azioni collegate, come ottenere informazioni, confrontarle con la richiesta e scegliere il passo successivo. Il secondo riguarda la produzione di risposte utili con meno token generati, mantenendo la qualità. Per un assistente di sviluppo, fornisci il comportamento osservato, il codice pertinente e il criterio che definisce una modifica riuscita. Per un assistente di ricerca, definisci la domanda, il materiale da esaminare e le prove necessarie per la conclusione.
Il ragionamento e la risposta diretta fanno parte della progettazione ibrida. Un'attività che usa il ragionamento può analizzare dipendenze, condizioni matematiche o un piano in più passaggi prima di preparare la risposta finale. Un'estrazione semplice o una spiegazione breve possono avere un obiettivo di risposta più semplice. Specifica quali vincoli sono obbligatori, cosa può assumere il modello e cosa deve contenere l'elaborato finale. La scheda della famiglia del produttore segnala che il rispetto dei budget di ragionamento può essere discontinuo: un budget richiesto non dimostra quindi un tetto rigido al ragionamento. Questa descrizione non attribuisce all'edizione di settembre i livelli di ragionamento o le impostazioni predefinite di un modello più recente.
La tabella dell'esatto modello di settembre specifica fino a 1,048,576 token di input e 65,536 token di output. Il suo ampio profilo di input può contenere istruzioni, esempi, testo di riferimento e contesto multimediale in una sola attività. Per confrontare i requisiti con una soluzione proposta, contrassegna le due fonti e fornisci una serie comune di criteri. Per discutere uno screenshot, identifica lo stato o il componente pertinente; per un'attività su audio o video, indica la domanda o l'evento invece di chiedere una descrizione senza un obiettivo preciso. Il risultato rimane testuale: la creazione nativa di immagini, la generazione vocale e il dialogo parlato in tempo reale appartengono ad altri profili di modello.
Google documenta la chiamata di funzioni, l'esecuzione di codice, l'ancoraggio alla ricerca, il contesto da URL e la ricerca nei file per questa esatta anteprima. La chiamata di funzioni sceglie una funzione dichiarata e ne prepara gli argomenti; l'applicazione collegata esegue l'operazione e ne restituisce il risultato. L'esecuzione di codice usa Python generato per calcoli o elaborazione del testo. L'ancoraggio alla ricerca fornisce materiale web per una risposta informata dalle fonti, mentre il contesto da URL lavora con il contenuto di pagine accessibili specificate. La ricerca nei file offre un'ulteriore capacità di recupero delle fonti. Assegna a un agente uno scopo chiaro per ogni strumento e specifica le informazioni attese da ciascun passaggio, così il flusso di lavoro può proseguire dal risultato effettivamente restituito.
Il supporto per l'output strutturato rende l'elaborato finale utilizzabile come insieme di campi definiti. Per un confronto, richiedi un criterio, il corrispondente passaggio della fonte, la differenza osservata e la domanda che necessita ancora di chiarimento. Per un'attività sul codice, separa la modifica proposta dalla relativa spiegazione e dalle verifiche ancora necessarie. L'esatto profilo del modello di Google indica inoltre il supporto per la memorizzazione del contesto nella cache e l'elaborazione in batch. Il materiale di partenza ripetuto può essere mantenuto coerente tra attività correlate; la cache, di per sé, non dimostra che una specifica richiesta abbia riutilizzato token memorizzati. Questi nomi di capacità non implicano combinazioni di schemi più recenti, soglie di cache o modalità simultanee degli strumenti.
La scheda della famiglia descrive un transformer mixture-of-experts sparso, con comprensione nativa di testo, elementi visivi e audio. L'addestramento combina testo web, codice, immagini, audio e video; il post-addestramento include coppie di istruzioni e risposte multimodali, preferenze umane e dati sull'uso degli strumenti. La preparazione dei dati applica deduplicazione e filtri di sicurezza e qualità. La pagina dell'esatto modello datato indica gennaio 2025 come termine delle conoscenze. Le domande che richiedono informazioni più recenti dovrebbero identificare il materiale di partenza o un opportuno passaggio di recupero, invece di trattare le conoscenze apprese dal modello come un flusso di informazioni in tempo reale.
I limiti sostanziali comprendono la possibile invenzione di fatti e difficoltà nella comprensione causale, nella deduzione logica complessa e nel ragionamento controfattuale. La scheda della famiglia segnala inoltre che le risposte possono talvolta assumere un tono inutilmente didascalico. Per ottenere un risultato utile, richiedi al modello di distinguere fatti delle fonti, assunzioni e azioni proposte, quindi esamina le parti che determinano la decisione. Un elaborato completo prodotto da un agente potrebbe contenere i risultati, un passo successivo motivato, le informazioni ottenute dagli strumenti e ogni domanda irrisolta. L'attenzione della versione di settembre all'uso degli strumenti contribuisce a definire tale flusso di lavoro, mentre gli input preparati e i criteri espliciti di completamento lo mantengono legato all'attività dell'utente.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti gemini-2.5-flash-preview-09-2025 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0006 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.