Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
", "aboutText": "Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.\n\nUntuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.\n\nUntuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.\n\nPemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.\n\nUntuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.\n\nHalaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.\n\nKad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.\n\nPengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.gemini-2.5-proGemini 2.5 Pro ialah model pemikiran stabil Google untuk kod kompleks, matematik, STEM dan analisis konteks panjang. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan alat dan output berstruktur. Belanjawan penaakulan dinamiknya menyokong 128–32,768 token dan tidak boleh dinyahaktifkan sepenuhnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
POST /v1/messagestext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-2.5-pro | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring|content_block[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medansystem | Jenisstring|content_block[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had Minimum: 1 Had terpakai pada: had maksimum tepat bagi model/kad yang dipilih | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop_sequences | Jenisstring[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenistool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].name | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: alat dibekalkan | Lalai— |
Medantools[].description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].input_schema | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanthinking.type | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanthinking.budget_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanoutput_config.effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmetadata | Jenisobject | KeperluanPilihan | Nilai & had | Lalai— |
Medancache_control | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
messages[].content atau blok type=text
Teks + imej
{type:image,source:{type:base64,media_type,data}} atau sumber dengan type=url
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext, image |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/messages| Saiz permintaan, token | Input | Output | Bacaan cache | Penulisan cache | Cache 5 minit | Cache 1 jam |
|---|---|---|---|---|---|---|
| Saiz permintaan, token(0; 200,000] | InputUSD 0.00125 | OutputUSD 0.01 | Bacaan cacheUSD 0.000125 | Penulisan cacheAsas: — | Cache 5 minitAsas: — | Cache 1 jamAsas: — |
| Saiz permintaan, token(200,000; ∞) | InputUSD 0.0025 | OutputUSD 0.015 | Bacaan cacheUSD 0.00025 | Penulisan cacheAsas: — | Cache 5 minitAsas: — | Cache 1 jamAsas: — |
Kadar dalam USD setiap 1K token. Jika tiada kadar ditetapkan, kadar asas kaedah ini diwarisi; «—» bermaksud tiada kadar asas ditetapkan.
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 →
Jadual rujukan peringkat model tidak mengubah pemilihan kaedah, sebut harga atau caj. Caj aktif menggunakan kadar kaedah Ailoot yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiOpenAI Chat · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 2 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 2 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-pro", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-pro", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-2.5-pro",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-2.5-pro",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gemini-2.5-pro',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro ialah model pemikiran stabil Google untuk kod kompleks, matematik, STEM dan analisis konteks panjang. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan alat dan output berstruktur. Belanjawan penaakulan dinamiknya menyokong 128–32,768 token dan tidak boleh dinyahaktifkan sepenuhnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
POST /v1beta/models/{model}:generateContenttext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanpath.model | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-2.5-pro | Lalai— |
Medancontents | Jeniscontent[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medancontents[].role | Jenisstring | KeperluanPilihan | Nilai & had user, model | Lalai— |
Medancontents[].parts | Jenispart[] | KeperluanDiperlukan | Nilai & had | Lalai— |
MedansystemInstruction | Jeniscontent | KeperluanPilihan | Nilai & had | Lalai— |
MedangenerationConfig.maxOutputTokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
MedangenerationConfig.temperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedangenerationConfig.topP | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedangenerationConfig.topK | Jenisinteger | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedangenerationConfig.stopSequences | Jenisstring[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedangenerationConfig.thinkingConfig.includeThoughts | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedangenerationConfig.thinkingConfig.thinkingBudget | Jenisinteger | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].functionDeclarations | Jenisfunction_declaration[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedantoolConfig.functionCallingConfig.mode | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedansafetySettings | Jenisobject[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
MedansessionId | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Teks · Teks UTF8
contents[].parts[].text
Teks + imej
parts[].inlineData={mimeType,data}
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext, image |
Parameterrequired | Kontrakcontents |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1beta/models/{model}:generateContent| Saiz permintaan, token | Input | Output | Bacaan cache | Penulisan cache | Cache 5 minit | Cache 1 jam |
|---|---|---|---|---|---|---|
| Saiz permintaan, token(0; 200,000] | InputUSD 0.00125 | OutputUSD 0.01 | Bacaan cacheUSD 0.000125 | Penulisan cacheAsas: — | Cache 5 minitAsas: — | Cache 1 jamAsas: — |
| Saiz permintaan, token(200,000; ∞) | InputUSD 0.0025 | OutputUSD 0.015 | Bacaan cacheUSD 0.00025 | Penulisan cacheAsas: — | Cache 5 minitAsas: — | Cache 1 jamAsas: — |
Kadar dalam USD setiap 1K token. Jika tiada kadar ditetapkan, kadar asas kaedah ini diwarisi; «—» bermaksud tiada kadar asas ditetapkan.
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 →
Jadual rujukan peringkat model tidak mengubah pemilihan kaedah, sebut harga atau caj. Caj aktif menggunakan kadar kaedah Ailoot yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiOpenAI Chat · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 2 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 2 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-pro:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-pro:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-2.5-pro", contents="Explain the difference between an observation and a hypothesis 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(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-2.5-pro", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\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=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\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\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-2.5-pro',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson atau penstriman yang disokong
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua calon dan bahagian, termasuk panggilan fungsi, tandatangan pemikiran dan data penggunaan; gabungkan cebisan strim mengikut urutan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
MedanresponseId | Jenisstring |
MedanmodelVersion | Jenisstring |
Medancandidates[].content.parts[] | Jenistext|inlineData|functionCall|other part |
Medancandidates[].finishReason | Jenisstring |
MedanusageMetadata | 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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro ialah model pemikiran stabil Google untuk kod kompleks, matematik, STEM dan analisis konteks panjang. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan alat dan output berstruktur. Belanjawan penaakulan dinamiknya menyokong 128–32,768 token dan tidak boleh dinyahaktifkan sepenuhnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-2.5-pro | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
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 |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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-pro","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-2.5-pro", 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 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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro ialah model pemikiran stabil Google untuk kod kompleks, matematik, STEM dan analisis konteks panjang. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan alat dan output berstruktur. Belanjawan penaakulan dinamiknya menyokong 128–32,768 token dan tidak boleh dinyahaktifkan sepenuhnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-2.5-pro | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro ialah model pemikiran stabil Google untuk kod kompleks, matematik, STEM dan analisis konteks panjang. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan alat dan output berstruktur. Belanjawan penaakulan dinamiknya menyokong 128–32,768 token dan tidak boleh dinyahaktifkan sepenuhnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemini-2.5-pro | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-2.5-pro", "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='google/gemini-2.5-pro',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='google/gemini-2.5-pro',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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro ialah model pemikiran stabil Google untuk kod kompleks, matematik, STEM dan analisis konteks panjang. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan alat dan output berstruktur. Belanjawan penaakulan dinamiknya menyokong 128–32,768 token dan tidak boleh dinyahaktifkan sepenuhnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 2.5 Pro ialah profil pemikiran stabil Google untuk pengekodan lanjutan, matematik, STEM dan analisis konteks panjang. Ia boleh memahami teks, audio, imej, video dan seluruh repositori kod, dan profil Gemini APInya turut menerima input PDF. Output ialah teks, termasuk kod, analisis bertulis atau rekod berstruktur. Tugasan berguna memberikan bukti dan meminta hasil yang boleh disemak, seperti penyelesaian yang diterangkan, dapatan pangkalan kod atau perbandingan merentas beberapa dokumen.
Untuk pengekodan, bekalkan fail berkaitan, tingkah laku diperhatikan dan perubahan atau soalan yang penting. Konteks panjang boleh membantu model menghubungkan modul daripada menaakul berdasarkan satu petikan terpencil. Untuk penyiasatan laluan kod, minta ia menjejaki pengecam daripada borang input melalui pemprosesan dan penyimpanan, mengenal pasti tempat kontrak berubah serta mencadangkan pembetulan berfokus. Kekalkan kekangan dan minta rujukan sokongan. Pindaan cadangan perlu dibandingkan dengan kod sebenar dan sebarang pengesahan yang dilakukan melalui alat disambungkan.
Untuk analisis matematik atau saintifik, nyatakan masalah, andaian, unit dan bentuk jawapan wajib. Bekalkan data atau angka yang menjadi asas pengiraan. Minta hasil disokong dan semakan yang membolehkannya dinilai, seperti kes sempadan atau perbandingan dengan nilai asal. Keupayaan penaakulan model tidak menghapuskan kekaburan pernyataan masalah. Pastikan kuantiti tidak diketahui atau andaian tidak disokong kelihatan, daripada menggantikannya dengan nilai yang memudahkan.
Pemikiran dinamik ialah lalai yang didokumenkan. Panduan GenerateContent Gemini 2.5 menyokong belanjawan penaakulan jelas daripada 128 hingga 32,768 token untuk Pro, atau -1 untuk pemikiran adaptif. Edisi ini tidak boleh menyahaktifkan pemikiran sepenuhnya. Kawalan itu berbeza daripada pilihan belanjawan sifar Flash dan tetapan aras pemikiran Gemini 3. Belanjawan pemikiran membimbing penaakulan, bukannya menjamin bilangan token dalaman tepat, dan had respons juga perlu meninggalkan ruang untuk artifak akhir.
Untuk kerja dokumen multimodal, kenal pasti halaman, carta, rantau imej atau peristiwa rakaman yang perlu menyokong jawapan. Tugas sintesis praktikal boleh meminta dakwaan bersaing daripada beberapa dokumen sumber, petikan sokongannya dan perbezaan yang penting untuk satu keputusan. Minta model membezakan fakta dinyatakan daripada inferens. Untuk video atau audio, tetapkan sama ada hasil perlu berupa huraian, transkrip, ringkasan atau perbandingan. Imej dan bunyi ialah bukti bagi hasil teks dalam profil ini.
Halaman API khusus mendokumenkan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Takrifkan tujuan fungsi serta medan parameter dan kekalkan hasil sebenar dalam giliran kemudian. Untuk rekod terkekang skema, tetapkan medan wajib dan cara mewakili maklumat tiada. Seni bina asal ialah transformer multimodal campuran pakar jarang; reka bentuk model itu tidak dengan sendirinya menyediakan pelaksanaan alat luar atau aplikasi lengkap melampaui teks atau kod yang dikembalikan.
Kad asal menyenaraikan konteks input 1M dan output teks 64K; jadual API menetapkan 1,048,576 token input dan 65,536 token output. Arahan, kandungan sumber dan sejarah dikekalkan menyumbang kepada penyediaan input. Peruntukan respons maksimum merangkumi token penaakulan, jadi had terlalu kecil boleh mengganggu jawapan akhir. Cache dan pemprosesan kelompok didokumenkan bersama pilihan Flex serta Priority. Simpan setiap pengecam sumber dan bentuk akhir diminta semasa menyediakan tugas konteks panjang bebas.
Pengecam stabil berbeza daripada edisi Experimental dan Preview yang dibincangkan secara berasingan dalam kad model Pro dikongsi. Jangan kaitkan hasil khusus versinya kepada profil ini semata-mata kerana berkongsi nama Pro. Kad mengenal pasti kemungkinan halusinasi dan batasan pemahaman sebab akibat, deduksi kompleks serta penaakulan kontrafaktual, dengan tarikh akhir pengetahuan Januari 2025. Bekalkan bukti semasa apabila penting dan semak rujukan sumber, pengiraan serta pengubahsuaian dicadangkan. Output berguna ialah artifak teks atau kod disokong yang diminta tugas.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemini-2.5-pro | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token Output · Token keluaran penaakulan $0.02 / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk200,000 | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.00025 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi200,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.03 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.00075 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "google/gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemini-2.5-pro', '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': 'google/gemini-2.5-pro', '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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
Contoh teknikal dalam bahasa Inggeris
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.