Gemini 2.5 Flash-Lite Preview 06-17 er Googles forhåndsutgave av Flash-Lite fra juni, utformet for hyppige, forsinkelsesfølsomme oppgaver som klassifisering av meldinger og oppsummering av materiale i stor skala. Den tilhører Gemini 2.5-tenkefamilien og beholder samtidig en vei for direkte svar ved enkle oppgaver. Den daterte Preview-betegnelsen identifiserer denne utgivelsen atskilt fra stabile Flash-Lite og den senere forhåndsversjonen fra september, der forbedringene i instruksjonsfølging og multimodalitet tilhører en egen utgave.
Junilanseringen setter klassifisering og oppsummering i sentrum for den tiltenkte bruken. Nyttige klassifiseringsinndata inneholder meldingen, tillatte etiketter og eksempler på grensene mellom dem; utdataene kan være en etikett, en kort begrunnelse og informasjonen som trengs for neste behandlingssteg. En oppsummeringsoppgave kan angi beslutninger, handlingspunkter, navngitte frister og uavklarte spørsmål som skal beholdes. Dette er praktiske anvendelser av det oppgitte formålet: de gir en gjentatt operasjon tydelige inndata og et kompakt resultat i stedet for å be om en åpen tekstutredning.
Tenking er tilgjengelig, men avslått som standard i denne forhåndsversjonen av Flash-Lite fra juni. Google beskriver et regulerbart tenkebudsjett som lar oppgaven bruke ekstra resonnering når betingelsene krever det. Behold den direkte veien for enkel kategorisering eller forkorting; bruk en oppgave med resonnering ved overlappende kategorier, unntak eller et spørsmål som krever flere avhengige konklusjoner. Angi hvilke betingelser som er obligatoriske og hva som utgjør et riktig svar. Tenking er en evne til oppgavebehandling; en lengre forklaring er ikke i seg selv bevis på at konklusjonen er riktig.
Googles tekniske rapport navngir denne junimodellen uttrykkelig og dokumenterer støtte for multimodale inndata og en kontekstlengde på én million tokener. Resultatet er tekst. Konteksten gir plass til kildemateriale, instruksjoner og eksempler i samme oppgave. Gi hvert dokument eller hver del en tydelig rolle, og angi deretter hva modellen skal hente ut eller sammenligne. For en dokumentassistent bør du skille spørsmålet fra kildeteksten og be om et resultat knyttet til de relevante avsnittene. For et uthentingssteg bør du definere feltene og hvordan informasjon som ikke finnes i materialet, skal representeres. Dette er en kontekstegenskap, ikke et løfte om at uvedkommende innhold blir nyttig bare fordi det tas med.
Kunngjøringen fra juni oppgir innebygde verktøy for søkeforankring, kodekjøring og URL-kontekst, sammen med funksjonskall. Søkeforankring tilfører nettinformasjon til et svar; URL-kontekst bruker innholdet på innsendte sider til oppgaver som dokumentsammenligning eller uthenting av detaljer. Googles verktøy for kodekjøring genererer og kjører Python til beregninger eller tekstbehandling og bruker kjøreresultatet i svaret. Funksjonskall har en annen rolle: modellen velger en deklarert funksjon og argumentene, mens den tilkoblede applikasjonen utfører den og returnerer resultatet. Definer funksjonens formål og tillatte parametere slik at en verktøystøttet oppgave har en uttrykkelig neste handling.
For en tilbakevendende arbeidsflyt bør du klargjøre et lite sett med representative inndata før du bruker samme instruksjon på en større samling. Ta med et vanlig tilfelle, et tvetydig tilfelle og et tilfelle med manglende informasjon. Et kundestøtteeksempel kan be om et emne, kundens faktiske spørsmål og et svar forankret bare i en tilhørende referansepassasje. Et korrespondanseeksempel kan be om en oppgaveliste med handling, personen som tildeler den og en frist bare når den er oppgitt. Hold disse forespurte feltene atskilt fra eventuell forklarende prosa, slik at den resulterende teksten kan kontrolleres mot det opprinnelige elementet.
Produsentens kort for Flash-Lite-familien beskriver mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Det bemerker også at et tenkebudsjett kan følges ujevnt. Behandle dette som konkrete kontrollpunkter: sammenlign uthentede fakta med kilden, kontroller avhengige beregninger og skill et observert utsagn fra en utledet forklaring. Den nyttige ferdige leveransen er en kompakt klassifisering, oppsummering, uthenting eller et svar der de påkrevde faktaene og den manglende informasjonen kan undersøkes. Denne juniutgaven er et eget valg for tekstbehandling; spesifikasjoner fra senere forhåndsversjoner omdefinerer ikke den dokumenterte identiteten.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 06-17 er Googles forhåndsutgave av Flash-Lite fra juni, utformet for hyppige, forsinkelsesfølsomme oppgaver som klassifisering av meldinger og oppsummering av materiale i stor skala. Den tilhører Gemini 2.5-tenkefamilien og beholder samtidig en vei for direkte svar ved enkle oppgaver. Den daterte Preview-betegnelsen identifiserer denne utgivelsen atskilt fra stabile Flash-Lite og den senere forhåndsversjonen fra september, der forbedringene i instruksjonsfølging og multimodalitet tilhører en egen utgave.\n\nJunilanseringen setter klassifisering og oppsummering i sentrum for den tiltenkte bruken. Nyttige klassifiseringsinndata inneholder meldingen, tillatte etiketter og eksempler på grensene mellom dem; utdataene kan være en etikett, en kort begrunnelse og informasjonen som trengs for neste behandlingssteg. En oppsummeringsoppgave kan angi beslutninger, handlingspunkter, navngitte frister og uavklarte spørsmål som skal beholdes. Dette er praktiske anvendelser av det oppgitte formålet: de gir en gjentatt operasjon tydelige inndata og et kompakt resultat i stedet for å be om en åpen tekstutredning.\n\nTenking er tilgjengelig, men avslått som standard i denne forhåndsversjonen av Flash-Lite fra juni. Google beskriver et regulerbart tenkebudsjett som lar oppgaven bruke ekstra resonnering når betingelsene krever det. Behold den direkte veien for enkel kategorisering eller forkorting; bruk en oppgave med resonnering ved overlappende kategorier, unntak eller et spørsmål som krever flere avhengige konklusjoner. Angi hvilke betingelser som er obligatoriske og hva som utgjør et riktig svar. Tenking er en evne til oppgavebehandling; en lengre forklaring er ikke i seg selv bevis på at konklusjonen er riktig.\n\nGoogles tekniske rapport navngir denne junimodellen uttrykkelig og dokumenterer støtte for multimodale inndata og en kontekstlengde på én million tokener. Resultatet er tekst. Konteksten gir plass til kildemateriale, instruksjoner og eksempler i samme oppgave. Gi hvert dokument eller hver del en tydelig rolle, og angi deretter hva modellen skal hente ut eller sammenligne. For en dokumentassistent bør du skille spørsmålet fra kildeteksten og be om et resultat knyttet til de relevante avsnittene. For et uthentingssteg bør du definere feltene og hvordan informasjon som ikke finnes i materialet, skal representeres. Dette er en kontekstegenskap, ikke et løfte om at uvedkommende innhold blir nyttig bare fordi det tas med.\n\nKunngjøringen fra juni oppgir innebygde verktøy for søkeforankring, kodekjøring og URL-kontekst, sammen med funksjonskall. Søkeforankring tilfører nettinformasjon til et svar; URL-kontekst bruker innholdet på innsendte sider til oppgaver som dokumentsammenligning eller uthenting av detaljer. Googles verktøy for kodekjøring genererer og kjører Python til beregninger eller tekstbehandling og bruker kjøreresultatet i svaret. Funksjonskall har en annen rolle: modellen velger en deklarert funksjon og argumentene, mens den tilkoblede applikasjonen utfører den og returnerer resultatet. Definer funksjonens formål og tillatte parametere slik at en verktøystøttet oppgave har en uttrykkelig neste handling.\n\nFor en tilbakevendende arbeidsflyt bør du klargjøre et lite sett med representative inndata før du bruker samme instruksjon på en større samling. Ta med et vanlig tilfelle, et tvetydig tilfelle og et tilfelle med manglende informasjon. Et kundestøtteeksempel kan be om et emne, kundens faktiske spørsmål og et svar forankret bare i en tilhørende referansepassasje. Et korrespondanseeksempel kan be om en oppgaveliste med handling, personen som tildeler den og en frist bare når den er oppgitt. Hold disse forespurte feltene atskilt fra eventuell forklarende prosa, slik at den resulterende teksten kan kontrolleres mot det opprinnelige elementet.\n\nProdusentens kort for Flash-Lite-familien beskriver mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Det bemerker også at et tenkebudsjett kan følges ujevnt. Behandle dette som konkrete kontrollpunkter: sammenlign uthentede fakta med kilden, kontroller avhengige beregninger og skill et observert utsagn fra en utledet forklaring. Den nyttige ferdige leveransen er en kompakt klassifisering, oppsummering, uthenting eller et svar der de påkrevde faktaene og den manglende informasjonen kan undersøkes. Denne juniutgaven er et eget valg for tekstbehandling; spesifikasjoner fra senere forhåndsversjoner omdefinerer ikke den dokumenterte identiteten.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniutgave for klassifisering med høy gjennomstrømning, oppsummering og gjentakbar tekstbehandling. Den kombinerer en kontekst på én million tokener, valgfri tenking og dokumenterte verktøy for søk, kode, URL-kontekst og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite Preview 06-17 er Googles forhåndsutgave av Flash-Lite fra juni, utformet for hyppige, forsinkelsesfølsomme oppgaver som klassifisering av meldinger og oppsummering av materiale i stor skala. Den tilhører Gemini 2.5-tenkefamilien og beholder samtidig en vei for direkte svar ved enkle oppgaver. Den daterte Preview-betegnelsen identifiserer denne utgivelsen atskilt fra stabile Flash-Lite og den senere forhåndsversjonen fra september, der forbedringene i instruksjonsfølging og multimodalitet tilhører en egen utgave.
Junilanseringen setter klassifisering og oppsummering i sentrum for den tiltenkte bruken. Nyttige klassifiseringsinndata inneholder meldingen, tillatte etiketter og eksempler på grensene mellom dem; utdataene kan være en etikett, en kort begrunnelse og informasjonen som trengs for neste behandlingssteg. En oppsummeringsoppgave kan angi beslutninger, handlingspunkter, navngitte frister og uavklarte spørsmål som skal beholdes. Dette er praktiske anvendelser av det oppgitte formålet: de gir en gjentatt operasjon tydelige inndata og et kompakt resultat i stedet for å be om en åpen tekstutredning.
Tenking er tilgjengelig, men avslått som standard i denne forhåndsversjonen av Flash-Lite fra juni. Google beskriver et regulerbart tenkebudsjett som lar oppgaven bruke ekstra resonnering når betingelsene krever det. Behold den direkte veien for enkel kategorisering eller forkorting; bruk en oppgave med resonnering ved overlappende kategorier, unntak eller et spørsmål som krever flere avhengige konklusjoner. Angi hvilke betingelser som er obligatoriske og hva som utgjør et riktig svar. Tenking er en evne til oppgavebehandling; en lengre forklaring er ikke i seg selv bevis på at konklusjonen er riktig.
Googles tekniske rapport navngir denne junimodellen uttrykkelig og dokumenterer støtte for multimodale inndata og en kontekstlengde på én million tokener. Resultatet er tekst. Konteksten gir plass til kildemateriale, instruksjoner og eksempler i samme oppgave. Gi hvert dokument eller hver del en tydelig rolle, og angi deretter hva modellen skal hente ut eller sammenligne. For en dokumentassistent bør du skille spørsmålet fra kildeteksten og be om et resultat knyttet til de relevante avsnittene. For et uthentingssteg bør du definere feltene og hvordan informasjon som ikke finnes i materialet, skal representeres. Dette er en kontekstegenskap, ikke et løfte om at uvedkommende innhold blir nyttig bare fordi det tas med.
Kunngjøringen fra juni oppgir innebygde verktøy for søkeforankring, kodekjøring og URL-kontekst, sammen med funksjonskall. Søkeforankring tilfører nettinformasjon til et svar; URL-kontekst bruker innholdet på innsendte sider til oppgaver som dokumentsammenligning eller uthenting av detaljer. Googles verktøy for kodekjøring genererer og kjører Python til beregninger eller tekstbehandling og bruker kjøreresultatet i svaret. Funksjonskall har en annen rolle: modellen velger en deklarert funksjon og argumentene, mens den tilkoblede applikasjonen utfører den og returnerer resultatet. Definer funksjonens formål og tillatte parametere slik at en verktøystøttet oppgave har en uttrykkelig neste handling.
For en tilbakevendende arbeidsflyt bør du klargjøre et lite sett med representative inndata før du bruker samme instruksjon på en større samling. Ta med et vanlig tilfelle, et tvetydig tilfelle og et tilfelle med manglende informasjon. Et kundestøtteeksempel kan be om et emne, kundens faktiske spørsmål og et svar forankret bare i en tilhørende referansepassasje. Et korrespondanseeksempel kan be om en oppgaveliste med handling, personen som tildeler den og en frist bare når den er oppgitt. Hold disse forespurte feltene atskilt fra eventuell forklarende prosa, slik at den resulterende teksten kan kontrolleres mot det opprinnelige elementet.
Produsentens kort for Flash-Lite-familien beskriver mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Det bemerker også at et tenkebudsjett kan følges ujevnt. Behandle dette som konkrete kontrollpunkter: sammenlign uthentede fakta med kilden, kontroller avhengige beregninger og skill et observert utsagn fra en utledet forklaring. Den nyttige ferdige leveransen er en kompakt klassifisering, oppsummering, uthenting eller et svar der de påkrevde faktaene og den manglende informasjonen kan undersøkes. Denne juniutgaven er et eget valg for tekstbehandling; spesifikasjoner fra senere forhåndsversjoner omdefinerer ikke den dokumenterte identiteten.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite-preview-06-17 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite-preview-06-17", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-lite-preview-06-17',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-lite-preview-06-17',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-2.5-flash-lite-preview-06-17
Bruk metodestiene som vises ovenfor.
gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniutgave for klassifisering med høy gjennomstrømning, oppsummering og gjentakbar tekstbehandling. Den kombinerer en kontekst på én million tokener, valgfri tenking og dokumenterte verktøy for søk, kode, URL-kontekst og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite Preview 06-17 er Googles forhåndsutgave av Flash-Lite fra juni, utformet for hyppige, forsinkelsesfølsomme oppgaver som klassifisering av meldinger og oppsummering av materiale i stor skala. Den tilhører Gemini 2.5-tenkefamilien og beholder samtidig en vei for direkte svar ved enkle oppgaver. Den daterte Preview-betegnelsen identifiserer denne utgivelsen atskilt fra stabile Flash-Lite og den senere forhåndsversjonen fra september, der forbedringene i instruksjonsfølging og multimodalitet tilhører en egen utgave.
Junilanseringen setter klassifisering og oppsummering i sentrum for den tiltenkte bruken. Nyttige klassifiseringsinndata inneholder meldingen, tillatte etiketter og eksempler på grensene mellom dem; utdataene kan være en etikett, en kort begrunnelse og informasjonen som trengs for neste behandlingssteg. En oppsummeringsoppgave kan angi beslutninger, handlingspunkter, navngitte frister og uavklarte spørsmål som skal beholdes. Dette er praktiske anvendelser av det oppgitte formålet: de gir en gjentatt operasjon tydelige inndata og et kompakt resultat i stedet for å be om en åpen tekstutredning.
Tenking er tilgjengelig, men avslått som standard i denne forhåndsversjonen av Flash-Lite fra juni. Google beskriver et regulerbart tenkebudsjett som lar oppgaven bruke ekstra resonnering når betingelsene krever det. Behold den direkte veien for enkel kategorisering eller forkorting; bruk en oppgave med resonnering ved overlappende kategorier, unntak eller et spørsmål som krever flere avhengige konklusjoner. Angi hvilke betingelser som er obligatoriske og hva som utgjør et riktig svar. Tenking er en evne til oppgavebehandling; en lengre forklaring er ikke i seg selv bevis på at konklusjonen er riktig.
Googles tekniske rapport navngir denne junimodellen uttrykkelig og dokumenterer støtte for multimodale inndata og en kontekstlengde på én million tokener. Resultatet er tekst. Konteksten gir plass til kildemateriale, instruksjoner og eksempler i samme oppgave. Gi hvert dokument eller hver del en tydelig rolle, og angi deretter hva modellen skal hente ut eller sammenligne. For en dokumentassistent bør du skille spørsmålet fra kildeteksten og be om et resultat knyttet til de relevante avsnittene. For et uthentingssteg bør du definere feltene og hvordan informasjon som ikke finnes i materialet, skal representeres. Dette er en kontekstegenskap, ikke et løfte om at uvedkommende innhold blir nyttig bare fordi det tas med.
Kunngjøringen fra juni oppgir innebygde verktøy for søkeforankring, kodekjøring og URL-kontekst, sammen med funksjonskall. Søkeforankring tilfører nettinformasjon til et svar; URL-kontekst bruker innholdet på innsendte sider til oppgaver som dokumentsammenligning eller uthenting av detaljer. Googles verktøy for kodekjøring genererer og kjører Python til beregninger eller tekstbehandling og bruker kjøreresultatet i svaret. Funksjonskall har en annen rolle: modellen velger en deklarert funksjon og argumentene, mens den tilkoblede applikasjonen utfører den og returnerer resultatet. Definer funksjonens formål og tillatte parametere slik at en verktøystøttet oppgave har en uttrykkelig neste handling.
For en tilbakevendende arbeidsflyt bør du klargjøre et lite sett med representative inndata før du bruker samme instruksjon på en større samling. Ta med et vanlig tilfelle, et tvetydig tilfelle og et tilfelle med manglende informasjon. Et kundestøtteeksempel kan be om et emne, kundens faktiske spørsmål og et svar forankret bare i en tilhørende referansepassasje. Et korrespondanseeksempel kan be om en oppgaveliste med handling, personen som tildeler den og en frist bare når den er oppgitt. Hold disse forespurte feltene atskilt fra eventuell forklarende prosa, slik at den resulterende teksten kan kontrolleres mot det opprinnelige elementet.
Produsentens kort for Flash-Lite-familien beskriver mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Det bemerker også at et tenkebudsjett kan følges ujevnt. Behandle dette som konkrete kontrollpunkter: sammenlign uthentede fakta med kilden, kontroller avhengige beregninger og skill et observert utsagn fra en utledet forklaring. Den nyttige ferdige leveransen er en kompakt klassifisering, oppsummering, uthenting eller et svar der de påkrevde faktaene og den manglende informasjonen kan undersøkes. Denne juniutgaven er et eget valg for tekstbehandling; spesifikasjoner fra senere forhåndsversjoner omdefinerer ikke den dokumenterte identiteten.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite-preview-06-17 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-2.5-flash-lite-preview-06-17",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-06-17', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-06-17', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-2.5-flash-lite-preview-06-17
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.