Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
", "aboutText": "Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.\n\nUntuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.\n\nUntuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.\n\nUntuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.\n\nPemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.\n\nPemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.\n\nKad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.\n\nPengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Localize a compact service message\n\nTranslate into Spanish for a small-business customer: “Invoice INV-204 is ready. The bank transfer has not arrived yet; access starts after payment confirmation.” Keep INV-204 unchanged and return only the translated message. Preserve the distinction between invoice availability, receipt of funds and activation.A Spanish message containing the unchanged invoice reference and the original payment-to-access condition.Check that the translation does not imply that payment is received or access is already active.gemini-3.1-flash-liteGemini 3.1 Flash-Lite ialah model multimodal stabil Google untuk terjemahan, transkripsi, pengelasan dan pengekstrakan mudah pada skala besar. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan pemikiran, alat dan output berstruktur. Had input/output khususnya ialah 1,048,576/65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
POST /v1/messagestext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-3.1-flash-lite | 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/messagesAiloot 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${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-3.1-flash-lite", "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-3.1-flash-lite", "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-3.1-flash-lite",\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-3.1-flash-lite",\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-3.1-flash-lite',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-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
gemini-3.1-flash-liteGemini 3.1 Flash-Lite ialah model multimodal stabil Google untuk terjemahan, transkripsi, pengelasan dan pengekstrakan mudah pada skala besar. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan pemikiran, alat dan output berstruktur. Had input/output khususnya ialah 1,048,576/65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
POST /v1beta/models/{model}:generateContenttext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanpath.model | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-3.1-flash-lite | 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}:generateContentAiloot 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${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-3.1-flash-lite: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-3.1-flash-lite: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-3.1-flash-lite", 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-3.1-flash-lite", 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-3.1-flash-lite',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-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
gemini-3.1-flash-liteGemini 3.1 Flash-Lite ialah model multimodal stabil Google untuk terjemahan, transkripsi, pengelasan dan pengekstrakan mudah pada skala besar. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan pemikiran, alat dan output berstruktur. Had input/output khususnya ialah 1,048,576/65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-3.1-flash-lite | 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.1-flash-lite","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3.1-flash-lite", 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-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
gemini-3.1-flash-liteGemini 3.1 Flash-Lite ialah model multimodal stabil Google untuk terjemahan, transkripsi, pengelasan dan pengekstrakan mudah pada skala besar. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan pemikiran, alat dan output berstruktur. Had input/output khususnya ialah 1,048,576/65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gemini-3.1-flash-lite | 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "gemini-3.1-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.1-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.1-flash-lite', '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-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
google/gemini-3.1-flash-liteGemini 3.1 Flash-Lite ialah model multimodal stabil Google untuk terjemahan, transkripsi, pengelasan dan pengekstrakan mudah pada skala besar. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan pemikiran, alat dan output berstruktur. Had input/output khususnya ialah 1,048,576/65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemini-3.1-flash-lite | 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.1-flash-lite", "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-3.1-flash-lite',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-3.1-flash-lite',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-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
google/gemini-3.1-flash-liteGemini 3.1 Flash-Lite ialah model multimodal stabil Google untuk terjemahan, transkripsi, pengelasan dan pengekstrakan mudah pada skala besar. Ia menerima teks, imej, audio, video dan PDF serta mengembalikan teks, dengan pemikiran, alat dan output berstruktur. Had input/output khususnya ialah 1,048,576/65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini 3.1 Flash-Lite ialah model teks multimodal ringan dan stabil Google untuk tugas kerap yang ditakrifkan dengan baik. Ia berasaskan Gemini 3 Pro. Terjemahan dan pengelasan ialah beban kerja utama; tugas berguna lain merangkumi transkripsi, ringkasan dokumen, pengekstrakan entiti dan pengelasan pilihan model. Teks, imej, audio, video dan PDF boleh membekalkan bahan sumber, dan hasilnya ialah teks. Taklimat berguna meminta satu operasi dan satu bentuk akhir, seperti mesej diterjemah atau rekod medan yang ditemui dalam dokumen.
Untuk terjemahan, berikan teks sumber, bahasa sasaran, khalayak dan istilah yang perlu dikekalkan. Contoh Google menggunakan arahan yang mengembalikan terjemahan sahaja. Untuk terjemahan mesej sokongan, kekalkan nama produk dan rujukan pesanan sambil menterjemahkan bahagian lain secara semula jadi. Tetapkan cara mengendalikan kekaburan supaya hasil tidak menambah tarikh, janji atau butiran yang tiada dalam sumber. Pastikan bentuk yang diminta sesuai dengan destinasi, seperti balasan ringkas atau rekod terjemahan berlabel.
Untuk transkripsi, bekalkan rakaman dan tetapkan sama ada jawapan perlu berupa kata-kata dituturkan, transkrip tersunting yang mudah dibaca atau ringkasan. Ini ialah output berbeza. Kenal pasti selang berkaitan apabila rakaman panjang hanya mengandungi satu petikan yang diperlukan untuk tugas. Contoh pembangun pembuat menghantar audio secara langsung dan meminta transkrip teks. Semak nama, nombor dan petikan kurang jelas terhadap rakaman, sambil menyimpan sumber asal untuk semakan. Profil teks multimodal umum ini tidak dengan sendirinya membayangkan output audio atau hasil diarisasi penutur khusus.
Untuk pengelasan atau pengekstrakan, tetapkan kategori, skema dan peraturan nilai tiada. Panduan pembangun menunjukkan JSON berstruktur bagi analisis ulasan pelanggan, dengan petikan sokongan dan medan ditetapkan. Rekod berstruktur boleh mengandungi produk yang disebut, kategori isu dan ayat yang menyokong pilihan. Sertakan kes mewakili yang perlu kekal tidak diketahui daripada dipaksa ke dalam kategori. Rekod yang sah dari segi sintaks masih perlu dibandingkan dengan teks sumber sebenar.
Pemprosesan dokumen boleh menukar PDF kepada ringkasan padat atau rekod medan. Nyatakan soalan dan kekalkan rujukan halaman atau bahagian apabila dapatan perlu disemak. Semakan jadual perlu menetapkan lajur dan peraturan yang penting; tugas visual perlu mengenal pasti label atau rantau yang diperlukan untuk jawapan. Penghalaan model ialah satu lagi kegunaan didokumenkan: model mengelaskan kerumitan permintaan dan mengembalikan pilihan yang dibenarkan. Aplikasi yang disambungkan, bukannya teks pengelasan itu sendiri, memutuskan perkara yang dijalankan seterusnya.
Pemikiran disokong, dan pembuat menunjukkan usaha lebih tinggi untuk tugas yang mendapat manfaat daripada analisis lanjut. Halaman stabil khusus turut menyenaraikan pemanggilan fungsi, pelaksanaan kod, carian fail, pembumian carian, pembumian Maps, konteks URL dan output berstruktur. Computer Use tidak disokong dalam profil stabil 3.1 ini; profil 3.5 Flash-Lite kemudian mempunyai jadual keupayaan berbeza. Takrifkan tujuan alat dan parameter dengan jelas serta teruskan berdasarkan hasil sebenar yang dikembalikan. Cadangan fungsi tidak membuktikan operasi telah berlaku.
Kad model asal menyenaraikan konteks sehingga 1M dan output teks 64K; jadual API stabil menetapkan 1,048,576 token input dan 65,536 token output. Sertakan arahan, perbualan dan media sumber dalam penyediaan input, dan minta output bersaiz sesuai untuk artifak yang dimaksudkan. Pemprosesan cache, kelompok, Flex dan Priority didokumenkan bagi profil pengeluar ini. Untuk item bebas berulang, bawa pengecam input ke hasil dan kekalkan skema konsisten supaya jawapan yang hilang boleh dikenal pasti.
Pengecam model stabil ini berbeza daripada Gemini 3.1 Flash-Lite Preview dan edisi Flash-Lite kemudian. Kekalkan edisi tepat semasa menyediakan pemprosesan berulang daripada menganggap nama keluarga yang biasa sebagai jaminan versi yang tetap. Semak terjemahan untuk makna dan istilah yang dikekalkan, transkrip terhadap audio dan medan diekstrak terhadap dokumen. Peranan praktikal profil ialah pemprosesan teks multimodal berfokus dengan hasil jelas, sambil menyerahkan penaakulan tugas lebih luas atau tindakan luar kepada langkah seterusnya yang sesuai.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemini-3.1-flash-lite | 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 $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.003 / 1K token Input · Bacaan cache $0.00005 / 1K token Input · Penulisan cache $0.0001666666666666666 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "google/gemini-3.1-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-flash-lite', '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-3.1-flash-lite', '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-3.1-flash-lite
Ailoot Ultra gemini-3.1-flash-lite, google/gemini-3.1-flash-lite
/chat/completions
google/gemini-3.1-flash-lite, gemini-3.1-flash-lite, gemini-3.1-flash-lite
Contoh teknikal dalam bahasa Inggeris
Localize a compact service message\n\nTranslate into Spanish for a small-business customer: “Invoice INV-204 is ready. The bank transfer has not arrived yet; access starts after payment confirmation.” Keep INV-204 unchanged and return only the translated message. Preserve the distinction between invoice availability, receipt of funds and activation.A Spanish message containing the unchanged invoice reference and the original payment-to-access condition.Check that the translation does not imply that payment is received or access is already active.