Gemini 2.5 Flash Preview 09-2025 ialah edisi pratonton September bagi model penaakulan hibrid Google. Input yang didokumenkan ialah teks, imej, video dan audio; outputnya ialah teks. Model ini boleh menggabungkan soalan dengan bahan visual atau pertuturan, kemudian menghasilkan penjelasan, dokumen, kod atau respons berstruktur. Edisi bertarikh yang tepat ini berbeza daripada Gemini 2.5 Flash stabil dan alias latest yang berubah mengikut keluaran. Tujuannya ialah pemahaman multimodal dan kerja berbantukan alat dengan hasil bertulis.
Google menerangkan dua penambahbaikan khusus untuk keluaran ini: penggunaan alat oleh ejen yang lebih baik dan penjanaan jawapan yang lebih menjimatkan apabila pemikiran diaktifkan. Yang pertama berkaitan tugasan yang memerlukan beberapa tindakan yang saling berkaitan, seperti mendapatkan maklumat, membandingkannya dengan permintaan dan memilih langkah seterusnya. Yang kedua berkaitan penghasilan jawapan berguna dengan lebih sedikit token terjana sambil mengekalkan kualiti. Untuk pembantu pembangunan, bekalkan tingkah laku yang diperhatikan, kod yang berkaitan dan kriteria bagi perubahan yang berjaya. Untuk pembantu penyelidikan, tentukan soalan, bahan yang perlu diperiksa dan bukti yang diperlukan untuk kesimpulan.
Pemikiran dan respons langsung merupakan sebahagian daripada reka bentuk hibrid. Tugasan pemikiran boleh menganalisis kebergantungan, syarat matematik atau pelan berbilang langkah sebelum menyediakan jawapan akhir. Pengekstrakan mudah atau penjelasan pendek boleh mempunyai objektif respons yang lebih ringkas. Nyatakan kekangan yang wajib dipatuhi, perkara yang boleh diandaikan oleh model dan kandungan yang mesti ada dalam artifak akhir. Kad keluarga model pengeluar menyatakan bahawa pematuhan kepada bajet pemikiran boleh tidak konsisten, jadi bajet yang diminta bukan bukti had penaakulan yang ketat. Penerangan ini tidak menerapkan tahap pemikiran atau tetapan lalai model yang lebih baharu pada edisi September.
Jadual model September yang tepat menetapkan sehingga 1,048,576 token input dan 65,536 token output. Profil inputnya yang besar boleh memuatkan arahan, contoh, teks rujukan dan konteks multimedia dalam satu tugasan. Untuk membandingkan keperluan dengan penyelesaian yang dicadangkan, labelkan kedua-dua sumber dan berikan set kriteria yang sama. Untuk membincangkan tangkap layar, kenal pasti keadaan atau komponen yang berkaitan; untuk tugasan audio atau video, nyatakan soalan atau peristiwa dan bukannya meminta penerangan tanpa arah tertentu. Hasilnya tetap berupa teks: penciptaan imej natif, penjanaan suara dan dialog pertuturan masa nyata tergolong dalam profil model lain.
Google mendokumenkan pemanggilan fungsi, pelaksanaan kod, pemautan jawapan kepada sumber carian, konteks URL dan carian fail untuk pratonton yang tepat ini. Pemanggilan fungsi memilih fungsi yang diisytiharkan dan menyediakan argumen; aplikasi yang disambungkan melaksanakan operasi itu dan mengembalikan hasilnya. Pelaksanaan kod menggunakan Python yang dijana untuk pengiraan atau pemprosesan teks. Pemautan kepada sumber carian membekalkan bahan web untuk jawapan berasaskan sumber, manakala konteks URL menggunakan kandungan halaman yang ditetapkan dan boleh diakses. Carian fail menyediakan satu lagi keupayaan mendapatkan sumber. Berikan tujuan yang jelas kepada ejen bagi setiap alat dan nyatakan maklumat yang dijangka daripada setiap langkah supaya aliran kerja dapat diteruskan berdasarkan hasil sebenar yang dikembalikan.
Sokongan output berstruktur menjadikan artifak akhir boleh digunakan sebagai set medan yang ditakrifkan. Untuk perbandingan, minta kriteria, petikan sumber yang sepadan, perbezaan yang diperhatikan dan soalan yang masih memerlukan penjelasan. Untuk tugasan kod, asingkan perubahan yang dicadangkan daripada penjelasannya dan semakan yang masih diperlukan. Profil model Google yang tepat turut menyenaraikan sokongan cache konteks dan pemprosesan kelompok. Bahan sumber berulang boleh dikekalkan secara konsisten merentas tugasan berkaitan; penggunaan cache itu sendiri tidak membuktikan bahawa mana-mana permintaan tertentu menggunakan semula token cache. Nama keupayaan ini tidak membawa maksud kombinasi skema, ambang cache atau mod alat serentak yang lebih baharu.
Kad keluarga model menerangkan transformer campuran pakar jarang dengan pemahaman teks, visual dan audio secara natif. Latihan menggabungkan teks web, kod, imej, audio dan video; pascalatihan merangkumi pasangan arahan dan respons multimodal, keutamaan manusia serta data penggunaan alat. Penyediaan data menggunakan penyahduplikasian serta penapisan keselamatan dan kualiti. Halaman model bertarikh yang tepat memberikan Januari 2025 sebagai tarikh akhir pengetahuannya. Soalan yang memerlukan maklumat lebih baharu patut mengenal pasti bahan sumbernya atau langkah mendapatkan maklumat yang sesuai, dan bukannya menganggap pengetahuan latihan model sebagai suapan maklumat langsung.
Batasan penting termasuk kemungkinan mereka-reka fakta dan kesukaran memahami sebab akibat, deduksi logik yang kompleks serta penaakulan kontrafaktual. Kad keluarga model juga menyatakan bahawa respons kadangkala boleh menggunakan nada menggurui yang tidak perlu. Untuk hasil yang berguna, wajibkan model membezakan fakta sumber, andaian dan tindakan yang dicadangkan, kemudian periksa bahagian yang menentukan keputusan. Artifak ejen yang lengkap mungkin mengandungi dapatan, langkah seterusnya yang berasas, maklumat yang diperoleh daripada alat dan sebarang soalan yang belum terjawab. Penekanan penggunaan alat dalam keluaran September membantu menentukan aliran kerja itu, manakala input yang disediakan dan kriteria penyiapan yang jelas memastikan ia kekal terikat pada tugasan pengguna.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 ialah edisi pratonton September bagi model penaakulan hibrid Google. Input yang didokumenkan ialah teks, imej, video dan audio; outputnya ialah teks. Model ini boleh menggabungkan soalan dengan bahan visual atau pertuturan, kemudian menghasilkan penjelasan, dokumen, kod atau respons berstruktur. Edisi bertarikh yang tepat ini berbeza daripada Gemini 2.5 Flash stabil dan alias latest yang berubah mengikut keluaran. Tujuannya ialah pemahaman multimodal dan kerja berbantukan alat dengan hasil bertulis.\n\nGoogle menerangkan dua penambahbaikan khusus untuk keluaran ini: penggunaan alat oleh ejen yang lebih baik dan penjanaan jawapan yang lebih menjimatkan apabila pemikiran diaktifkan. Yang pertama berkaitan tugasan yang memerlukan beberapa tindakan yang saling berkaitan, seperti mendapatkan maklumat, membandingkannya dengan permintaan dan memilih langkah seterusnya. Yang kedua berkaitan penghasilan jawapan berguna dengan lebih sedikit token terjana sambil mengekalkan kualiti. Untuk pembantu pembangunan, bekalkan tingkah laku yang diperhatikan, kod yang berkaitan dan kriteria bagi perubahan yang berjaya. Untuk pembantu penyelidikan, tentukan soalan, bahan yang perlu diperiksa dan bukti yang diperlukan untuk kesimpulan.\n\nPemikiran dan respons langsung merupakan sebahagian daripada reka bentuk hibrid. Tugasan pemikiran boleh menganalisis kebergantungan, syarat matematik atau pelan berbilang langkah sebelum menyediakan jawapan akhir. Pengekstrakan mudah atau penjelasan pendek boleh mempunyai objektif respons yang lebih ringkas. Nyatakan kekangan yang wajib dipatuhi, perkara yang boleh diandaikan oleh model dan kandungan yang mesti ada dalam artifak akhir. Kad keluarga model pengeluar menyatakan bahawa pematuhan kepada bajet pemikiran boleh tidak konsisten, jadi bajet yang diminta bukan bukti had penaakulan yang ketat. Penerangan ini tidak menerapkan tahap pemikiran atau tetapan lalai model yang lebih baharu pada edisi September.\n\nJadual model September yang tepat menetapkan sehingga 1,048,576 token input dan 65,536 token output. Profil inputnya yang besar boleh memuatkan arahan, contoh, teks rujukan dan konteks multimedia dalam satu tugasan. Untuk membandingkan keperluan dengan penyelesaian yang dicadangkan, labelkan kedua-dua sumber dan berikan set kriteria yang sama. Untuk membincangkan tangkap layar, kenal pasti keadaan atau komponen yang berkaitan; untuk tugasan audio atau video, nyatakan soalan atau peristiwa dan bukannya meminta penerangan tanpa arah tertentu. Hasilnya tetap berupa teks: penciptaan imej natif, penjanaan suara dan dialog pertuturan masa nyata tergolong dalam profil model lain.\n\nGoogle mendokumenkan pemanggilan fungsi, pelaksanaan kod, pemautan jawapan kepada sumber carian, konteks URL dan carian fail untuk pratonton yang tepat ini. Pemanggilan fungsi memilih fungsi yang diisytiharkan dan menyediakan argumen; aplikasi yang disambungkan melaksanakan operasi itu dan mengembalikan hasilnya. Pelaksanaan kod menggunakan Python yang dijana untuk pengiraan atau pemprosesan teks. Pemautan kepada sumber carian membekalkan bahan web untuk jawapan berasaskan sumber, manakala konteks URL menggunakan kandungan halaman yang ditetapkan dan boleh diakses. Carian fail menyediakan satu lagi keupayaan mendapatkan sumber. Berikan tujuan yang jelas kepada ejen bagi setiap alat dan nyatakan maklumat yang dijangka daripada setiap langkah supaya aliran kerja dapat diteruskan berdasarkan hasil sebenar yang dikembalikan.\n\nSokongan output berstruktur menjadikan artifak akhir boleh digunakan sebagai set medan yang ditakrifkan. Untuk perbandingan, minta kriteria, petikan sumber yang sepadan, perbezaan yang diperhatikan dan soalan yang masih memerlukan penjelasan. Untuk tugasan kod, asingkan perubahan yang dicadangkan daripada penjelasannya dan semakan yang masih diperlukan. Profil model Google yang tepat turut menyenaraikan sokongan cache konteks dan pemprosesan kelompok. Bahan sumber berulang boleh dikekalkan secara konsisten merentas tugasan berkaitan; penggunaan cache itu sendiri tidak membuktikan bahawa mana-mana permintaan tertentu menggunakan semula token cache. Nama keupayaan ini tidak membawa maksud kombinasi skema, ambang cache atau mod alat serentak yang lebih baharu.\n\nKad keluarga model menerangkan transformer campuran pakar jarang dengan pemahaman teks, visual dan audio secara natif. Latihan menggabungkan teks web, kod, imej, audio dan video; pascalatihan merangkumi pasangan arahan dan respons multimodal, keutamaan manusia serta data penggunaan alat. Penyediaan data menggunakan penyahduplikasian serta penapisan keselamatan dan kualiti. Halaman model bertarikh yang tepat memberikan Januari 2025 sebagai tarikh akhir pengetahuannya. Soalan yang memerlukan maklumat lebih baharu patut mengenal pasti bahan sumbernya atau langkah mendapatkan maklumat yang sesuai, dan bukannya menganggap pengetahuan latihan model sebagai suapan maklumat langsung.\n\nBatasan penting termasuk kemungkinan mereka-reka fakta dan kesukaran memahami sebab akibat, deduksi logik yang kompleks serta penaakulan kontrafaktual. Kad keluarga model juga menyatakan bahawa respons kadangkala boleh menggunakan nada menggurui yang tidak perlu. Untuk hasil yang berguna, wajibkan model membezakan fakta sumber, andaian dan tindakan yang dicadangkan, kemudian periksa bahagian yang menentukan keputusan. Artifak ejen yang lengkap mungkin mengandungi dapatan, langkah seterusnya yang berasas, maklumat yang diperoleh daripada alat dan sebarang soalan yang belum terjawab. Penekanan penggunaan alat dalam keluaran September membantu menentukan aliran kerja itu, manakala input yang disediakan dan kriteria penyiapan yang jelas memastikan ia kekal terikat pada tugasan pengguna.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah edisi September Google untuk analisis multimodal dan kerja berbilang langkah dengan alat. Ia menggabungkan pemahaman teks, imej, video dan audio dengan pemikiran, respons berstruktur dan had input sebanyak 1,048,576 token, berserta penambahbaikan khusus dalam penggunaan alat oleh ejen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Flash Preview 09-2025 ialah edisi pratonton September bagi model penaakulan hibrid Google. Input yang didokumenkan ialah teks, imej, video dan audio; outputnya ialah teks. Model ini boleh menggabungkan soalan dengan bahan visual atau pertuturan, kemudian menghasilkan penjelasan, dokumen, kod atau respons berstruktur. Edisi bertarikh yang tepat ini berbeza daripada Gemini 2.5 Flash stabil dan alias latest yang berubah mengikut keluaran. Tujuannya ialah pemahaman multimodal dan kerja berbantukan alat dengan hasil bertulis.
Google menerangkan dua penambahbaikan khusus untuk keluaran ini: penggunaan alat oleh ejen yang lebih baik dan penjanaan jawapan yang lebih menjimatkan apabila pemikiran diaktifkan. Yang pertama berkaitan tugasan yang memerlukan beberapa tindakan yang saling berkaitan, seperti mendapatkan maklumat, membandingkannya dengan permintaan dan memilih langkah seterusnya. Yang kedua berkaitan penghasilan jawapan berguna dengan lebih sedikit token terjana sambil mengekalkan kualiti. Untuk pembantu pembangunan, bekalkan tingkah laku yang diperhatikan, kod yang berkaitan dan kriteria bagi perubahan yang berjaya. Untuk pembantu penyelidikan, tentukan soalan, bahan yang perlu diperiksa dan bukti yang diperlukan untuk kesimpulan.
Pemikiran dan respons langsung merupakan sebahagian daripada reka bentuk hibrid. Tugasan pemikiran boleh menganalisis kebergantungan, syarat matematik atau pelan berbilang langkah sebelum menyediakan jawapan akhir. Pengekstrakan mudah atau penjelasan pendek boleh mempunyai objektif respons yang lebih ringkas. Nyatakan kekangan yang wajib dipatuhi, perkara yang boleh diandaikan oleh model dan kandungan yang mesti ada dalam artifak akhir. Kad keluarga model pengeluar menyatakan bahawa pematuhan kepada bajet pemikiran boleh tidak konsisten, jadi bajet yang diminta bukan bukti had penaakulan yang ketat. Penerangan ini tidak menerapkan tahap pemikiran atau tetapan lalai model yang lebih baharu pada edisi September.
Jadual model September yang tepat menetapkan sehingga 1,048,576 token input dan 65,536 token output. Profil inputnya yang besar boleh memuatkan arahan, contoh, teks rujukan dan konteks multimedia dalam satu tugasan. Untuk membandingkan keperluan dengan penyelesaian yang dicadangkan, labelkan kedua-dua sumber dan berikan set kriteria yang sama. Untuk membincangkan tangkap layar, kenal pasti keadaan atau komponen yang berkaitan; untuk tugasan audio atau video, nyatakan soalan atau peristiwa dan bukannya meminta penerangan tanpa arah tertentu. Hasilnya tetap berupa teks: penciptaan imej natif, penjanaan suara dan dialog pertuturan masa nyata tergolong dalam profil model lain.
Google mendokumenkan pemanggilan fungsi, pelaksanaan kod, pemautan jawapan kepada sumber carian, konteks URL dan carian fail untuk pratonton yang tepat ini. Pemanggilan fungsi memilih fungsi yang diisytiharkan dan menyediakan argumen; aplikasi yang disambungkan melaksanakan operasi itu dan mengembalikan hasilnya. Pelaksanaan kod menggunakan Python yang dijana untuk pengiraan atau pemprosesan teks. Pemautan kepada sumber carian membekalkan bahan web untuk jawapan berasaskan sumber, manakala konteks URL menggunakan kandungan halaman yang ditetapkan dan boleh diakses. Carian fail menyediakan satu lagi keupayaan mendapatkan sumber. Berikan tujuan yang jelas kepada ejen bagi setiap alat dan nyatakan maklumat yang dijangka daripada setiap langkah supaya aliran kerja dapat diteruskan berdasarkan hasil sebenar yang dikembalikan.
Sokongan output berstruktur menjadikan artifak akhir boleh digunakan sebagai set medan yang ditakrifkan. Untuk perbandingan, minta kriteria, petikan sumber yang sepadan, perbezaan yang diperhatikan dan soalan yang masih memerlukan penjelasan. Untuk tugasan kod, asingkan perubahan yang dicadangkan daripada penjelasannya dan semakan yang masih diperlukan. Profil model Google yang tepat turut menyenaraikan sokongan cache konteks dan pemprosesan kelompok. Bahan sumber berulang boleh dikekalkan secara konsisten merentas tugasan berkaitan; penggunaan cache itu sendiri tidak membuktikan bahawa mana-mana permintaan tertentu menggunakan semula token cache. Nama keupayaan ini tidak membawa maksud kombinasi skema, ambang cache atau mod alat serentak yang lebih baharu.
Kad keluarga model menerangkan transformer campuran pakar jarang dengan pemahaman teks, visual dan audio secara natif. Latihan menggabungkan teks web, kod, imej, audio dan video; pascalatihan merangkumi pasangan arahan dan respons multimodal, keutamaan manusia serta data penggunaan alat. Penyediaan data menggunakan penyahduplikasian serta penapisan keselamatan dan kualiti. Halaman model bertarikh yang tepat memberikan Januari 2025 sebagai tarikh akhir pengetahuannya. Soalan yang memerlukan maklumat lebih baharu patut mengenal pasti bahan sumbernya atau langkah mendapatkan maklumat yang sesuai, dan bukannya menganggap pengetahuan latihan model sebagai suapan maklumat langsung.
Batasan penting termasuk kemungkinan mereka-reka fakta dan kesukaran memahami sebab akibat, deduksi logik yang kompleks serta penaakulan kontrafaktual. Kad keluarga model juga menyatakan bahawa respons kadangkala boleh menggunakan nada menggurui yang tidak perlu. Untuk hasil yang berguna, wajibkan model membezakan fakta sumber, andaian dan tindakan yang dicadangkan, kemudian periksa bahagian yang menentukan keputusan. Artifak ejen yang lengkap mungkin mengandungi dapatan, langkah seterusnya yang berasas, maklumat yang diperoleh daripada alat dan sebarang soalan yang belum terjawab. Penekanan penggunaan alat dalam keluaran September membantu menentukan aliran kerja itu, manakala input yang disediakan dan kriteria penyiapan yang jelas memastikan ia kekal terikat pada tugasan pengguna.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-2.5-flash-preview-09-2025 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.005 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Gunakan laluan kaedah yang dipaparkan di atas.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 ialah edisi September Google untuk analisis multimodal dan kerja berbilang langkah dengan alat. Ia menggabungkan pemahaman teks, imej, video dan audio dengan pemikiran, respons berstruktur dan had input sebanyak 1,048,576 token, berserta penambahbaikan khusus dalam penggunaan alat oleh ejen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Flash Preview 09-2025 ialah edisi pratonton September bagi model penaakulan hibrid Google. Input yang didokumenkan ialah teks, imej, video dan audio; outputnya ialah teks. Model ini boleh menggabungkan soalan dengan bahan visual atau pertuturan, kemudian menghasilkan penjelasan, dokumen, kod atau respons berstruktur. Edisi bertarikh yang tepat ini berbeza daripada Gemini 2.5 Flash stabil dan alias latest yang berubah mengikut keluaran. Tujuannya ialah pemahaman multimodal dan kerja berbantukan alat dengan hasil bertulis.
Google menerangkan dua penambahbaikan khusus untuk keluaran ini: penggunaan alat oleh ejen yang lebih baik dan penjanaan jawapan yang lebih menjimatkan apabila pemikiran diaktifkan. Yang pertama berkaitan tugasan yang memerlukan beberapa tindakan yang saling berkaitan, seperti mendapatkan maklumat, membandingkannya dengan permintaan dan memilih langkah seterusnya. Yang kedua berkaitan penghasilan jawapan berguna dengan lebih sedikit token terjana sambil mengekalkan kualiti. Untuk pembantu pembangunan, bekalkan tingkah laku yang diperhatikan, kod yang berkaitan dan kriteria bagi perubahan yang berjaya. Untuk pembantu penyelidikan, tentukan soalan, bahan yang perlu diperiksa dan bukti yang diperlukan untuk kesimpulan.
Pemikiran dan respons langsung merupakan sebahagian daripada reka bentuk hibrid. Tugasan pemikiran boleh menganalisis kebergantungan, syarat matematik atau pelan berbilang langkah sebelum menyediakan jawapan akhir. Pengekstrakan mudah atau penjelasan pendek boleh mempunyai objektif respons yang lebih ringkas. Nyatakan kekangan yang wajib dipatuhi, perkara yang boleh diandaikan oleh model dan kandungan yang mesti ada dalam artifak akhir. Kad keluarga model pengeluar menyatakan bahawa pematuhan kepada bajet pemikiran boleh tidak konsisten, jadi bajet yang diminta bukan bukti had penaakulan yang ketat. Penerangan ini tidak menerapkan tahap pemikiran atau tetapan lalai model yang lebih baharu pada edisi September.
Jadual model September yang tepat menetapkan sehingga 1,048,576 token input dan 65,536 token output. Profil inputnya yang besar boleh memuatkan arahan, contoh, teks rujukan dan konteks multimedia dalam satu tugasan. Untuk membandingkan keperluan dengan penyelesaian yang dicadangkan, labelkan kedua-dua sumber dan berikan set kriteria yang sama. Untuk membincangkan tangkap layar, kenal pasti keadaan atau komponen yang berkaitan; untuk tugasan audio atau video, nyatakan soalan atau peristiwa dan bukannya meminta penerangan tanpa arah tertentu. Hasilnya tetap berupa teks: penciptaan imej natif, penjanaan suara dan dialog pertuturan masa nyata tergolong dalam profil model lain.
Google mendokumenkan pemanggilan fungsi, pelaksanaan kod, pemautan jawapan kepada sumber carian, konteks URL dan carian fail untuk pratonton yang tepat ini. Pemanggilan fungsi memilih fungsi yang diisytiharkan dan menyediakan argumen; aplikasi yang disambungkan melaksanakan operasi itu dan mengembalikan hasilnya. Pelaksanaan kod menggunakan Python yang dijana untuk pengiraan atau pemprosesan teks. Pemautan kepada sumber carian membekalkan bahan web untuk jawapan berasaskan sumber, manakala konteks URL menggunakan kandungan halaman yang ditetapkan dan boleh diakses. Carian fail menyediakan satu lagi keupayaan mendapatkan sumber. Berikan tujuan yang jelas kepada ejen bagi setiap alat dan nyatakan maklumat yang dijangka daripada setiap langkah supaya aliran kerja dapat diteruskan berdasarkan hasil sebenar yang dikembalikan.
Sokongan output berstruktur menjadikan artifak akhir boleh digunakan sebagai set medan yang ditakrifkan. Untuk perbandingan, minta kriteria, petikan sumber yang sepadan, perbezaan yang diperhatikan dan soalan yang masih memerlukan penjelasan. Untuk tugasan kod, asingkan perubahan yang dicadangkan daripada penjelasannya dan semakan yang masih diperlukan. Profil model Google yang tepat turut menyenaraikan sokongan cache konteks dan pemprosesan kelompok. Bahan sumber berulang boleh dikekalkan secara konsisten merentas tugasan berkaitan; penggunaan cache itu sendiri tidak membuktikan bahawa mana-mana permintaan tertentu menggunakan semula token cache. Nama keupayaan ini tidak membawa maksud kombinasi skema, ambang cache atau mod alat serentak yang lebih baharu.
Kad keluarga model menerangkan transformer campuran pakar jarang dengan pemahaman teks, visual dan audio secara natif. Latihan menggabungkan teks web, kod, imej, audio dan video; pascalatihan merangkumi pasangan arahan dan respons multimodal, keutamaan manusia serta data penggunaan alat. Penyediaan data menggunakan penyahduplikasian serta penapisan keselamatan dan kualiti. Halaman model bertarikh yang tepat memberikan Januari 2025 sebagai tarikh akhir pengetahuannya. Soalan yang memerlukan maklumat lebih baharu patut mengenal pasti bahan sumbernya atau langkah mendapatkan maklumat yang sesuai, dan bukannya menganggap pengetahuan latihan model sebagai suapan maklumat langsung.
Batasan penting termasuk kemungkinan mereka-reka fakta dan kesukaran memahami sebab akibat, deduksi logik yang kompleks serta penaakulan kontrafaktual. Kad keluarga model juga menyatakan bahawa respons kadangkala boleh menggunakan nada menggurui yang tidak perlu. Untuk hasil yang berguna, wajibkan model membezakan fakta sumber, andaian dan tindakan yang dicadangkan, kemudian periksa bahagian yang menentukan keputusan. Artifak ejen yang lengkap mungkin mengandungi dapatan, langkah seterusnya yang berasas, maklumat yang diperoleh daripada alat dan sebarang soalan yang belum terjawab. Penekanan penggunaan alat dalam keluaran September membantu menentukan aliran kerja itu, manakala input yang disediakan dan kriteria penyiapan yang jelas memastikan ia kekal terikat pada tugasan pengguna.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-2.5-flash-preview-09-2025 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.005 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.