Gemini 2.5 Flash-Lite Preview 09-2025 er Googles septemberutgave for hyppige oppgaver som trenger et kortfattet, målrettet tekstresultat. Produsenten organiserer oppdateringen rundt tre temaer: bedre følging av komplekse instruksjoner og systemledetekster, mindre ordrikdom og forbedret oversettelse og multimodal forståelse. Det daterte navnet identifiserer denne bestemte forhåndsversjonen atskilt fra Flash-Lite-forhåndsversjonen fra juni, den stabile modellen og et skiftende latest-alias.
Forbedret instruksjonsfølging er nyttig når en oppgave har flere regler som må gjelde samtidig. Oppgi kildematerialet, målgruppen og ønsket format, og skill deretter obligatorisk innhold fra valgfri forklaring. En oppgave for behandling av kundestøttesaker kan kreve en kategori, kundens eksakte spørsmål og et neste steg basert bare på en innsendt referanse. En dokumentoppgave kan angi hvilke termer som skal beholdes, hvilke fakta som må være med og hvordan manglende verdier skal representeres. Disse eksemplene gjør en detaljert instruksjon om til et resultat med observerbare krav.
Mindre ordrikdom er en oppgitt egenskap ved denne utgivelsen. Det er særlig relevant når utdataene skal bli en kort feltverdi, et kort svar eller neste inndata i en større arbeidsflyt. Be om informasjonen som trengs fremfor en generell drøfting: beslutningen, kilden og det uavklarte spørsmålet. For en oppsummering bør du liste fakta og frister som må overleve forkortingen, og angi antallet eller formålet med delene. Kortfattethet er ikke det samme som å utelate viktige betingelser; en praktisk utdatamal gjør det obligatoriske innholdet tydelig.
Google melder om forbedret oversettelseskvalitet, bildeforståelse og lydtranskripsjon i denne septemberoppdateringen. Ved oversettelse bør du angi målgruppen og en ordliste og skille navn som skal forbli uendret fra ordlyd som skal lokaliseres. For et bilde bør du markere komponenten eller passasjen som skal forklares og beskrive hvordan svaret skal brukes. Ved lydtranskripsjon bør du be om en skriftlig gjengivelse med språket og formateringsreglene som trengs for neste steg. En multimediekilde kan også oppsummeres eller sammenlignes med et skriftlig krav når spørsmålet angir det relevante innholdet.
Det konkrete daterte modellkortet oppgir tekst, bilder, video, lyd og PDF som inndata, med tekst som utdata. Grensene er 1,048,576 inndatatokener og 65,536 utdatatokener, og den dokumenterte kunnskapsgrensen er januar 2025. Den store inndataprofilen kan kombinere materiale, instruksjoner og eksempler; gi hver kilde en etikett og oppgi hvilket underlag svaret skal bruke. Dette er Flash-Lite-utgaven med tekstutdata: generert tale, genererte bilder og et stemmegrensesnitt i sanntid inngår ikke i den oppgitte utdataprofilen.
Produsenten dokumenterer tenking, strukturerte utdata, funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk. Tenking kan brukes til en oppgave med avhengige betingelser; et strukturert svar kan gi felt for uthenting eller klassifisering. Et funksjonskall inneholder et foreslått funksjonsnavn og argumenter, mens applikasjonen utfører det og returnerer resultatet. Googles verktøy for kodekjøring bruker Python; søke- og dokumentverktøy tilfører eksternt materiale for et informert skriftlig svar. Den konkrete profilen omfatter også støtte for hurtigbufring og satsvis behandling. Dette er dokumenterte modellegenskaper, ikke en påstand om at en bestemt applikasjon har aktivert hvert verktøy eller kombinert dem i én forespørsel.
Familiekortet beskriver en transformermodell med en sparsom blanding av eksperter og innebygd multimodal forståelse. Førtreningen omfatter netttekst, programmeringsspråk, bilder, lyd og video. Ettertreningen bruker kvalitetssikrede parede instruksjoner og svar, informasjon om menneskelige preferanser og data om verktøybruk, med deduplisering samt sikkerhets- og kvalitetsfiltrering under klargjøringen. Det samme kortet beskriver mulig oppdikting av fakta, vansker med årsaksbasert og kontrafaktisk resonnering, begrensninger i kompleks logisk deduksjon og ujevn etterlevelse av tenkebudsjetter. Det registrerer også en tendens til at noen svar høres overdrevent belærende ut. Dette er vesentlige kontrollpunkter for en kortfattet behandlingsmodell.
Klargjør representative vanlige, tvetydige og ufullstendige inndata for en gjentatt oppgave. Ved oversettelse bør du sammenligne terminologi, mening og det forespurte formatet med bare utdata. Ved transkripsjon eller dokumentuthenting bør du sammenligne de returnerte detaljene med det innsendte materialet og angi hva som ikke kunne fastslås. For et kort svar bør du undersøke om alle obligatoriske fakta ble beholdt. Den ferdige leveransen kan være en oversatt passasje, en kompakt oppsummering, uthentede felt eller en kategori og neste handling. Denne klargjøringen bruker septemberutgavens særskilte vekt på presis instruksjonsfølging, kortfattethet og multimediebehandling samtidig som resultatet holdes knyttet til det opprinnelige underlaget.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 09-2025 er Googles septemberutgave for hyppige oppgaver som trenger et kortfattet, målrettet tekstresultat. Produsenten organiserer oppdateringen rundt tre temaer: bedre følging av komplekse instruksjoner og systemledetekster, mindre ordrikdom og forbedret oversettelse og multimodal forståelse. Det daterte navnet identifiserer denne bestemte forhåndsversjonen atskilt fra Flash-Lite-forhåndsversjonen fra juni, den stabile modellen og et skiftende latest-alias.\n\nForbedret instruksjonsfølging er nyttig når en oppgave har flere regler som må gjelde samtidig. Oppgi kildematerialet, målgruppen og ønsket format, og skill deretter obligatorisk innhold fra valgfri forklaring. En oppgave for behandling av kundestøttesaker kan kreve en kategori, kundens eksakte spørsmål og et neste steg basert bare på en innsendt referanse. En dokumentoppgave kan angi hvilke termer som skal beholdes, hvilke fakta som må være med og hvordan manglende verdier skal representeres. Disse eksemplene gjør en detaljert instruksjon om til et resultat med observerbare krav.\n\nMindre ordrikdom er en oppgitt egenskap ved denne utgivelsen. Det er særlig relevant når utdataene skal bli en kort feltverdi, et kort svar eller neste inndata i en større arbeidsflyt. Be om informasjonen som trengs fremfor en generell drøfting: beslutningen, kilden og det uavklarte spørsmålet. For en oppsummering bør du liste fakta og frister som må overleve forkortingen, og angi antallet eller formålet med delene. Kortfattethet er ikke det samme som å utelate viktige betingelser; en praktisk utdatamal gjør det obligatoriske innholdet tydelig.\n\nGoogle melder om forbedret oversettelseskvalitet, bildeforståelse og lydtranskripsjon i denne septemberoppdateringen. Ved oversettelse bør du angi målgruppen og en ordliste og skille navn som skal forbli uendret fra ordlyd som skal lokaliseres. For et bilde bør du markere komponenten eller passasjen som skal forklares og beskrive hvordan svaret skal brukes. Ved lydtranskripsjon bør du be om en skriftlig gjengivelse med språket og formateringsreglene som trengs for neste steg. En multimediekilde kan også oppsummeres eller sammenlignes med et skriftlig krav når spørsmålet angir det relevante innholdet.\n\nDet konkrete daterte modellkortet oppgir tekst, bilder, video, lyd og PDF som inndata, med tekst som utdata. Grensene er 1,048,576 inndatatokener og 65,536 utdatatokener, og den dokumenterte kunnskapsgrensen er januar 2025. Den store inndataprofilen kan kombinere materiale, instruksjoner og eksempler; gi hver kilde en etikett og oppgi hvilket underlag svaret skal bruke. Dette er Flash-Lite-utgaven med tekstutdata: generert tale, genererte bilder og et stemmegrensesnitt i sanntid inngår ikke i den oppgitte utdataprofilen.\n\nProdusenten dokumenterer tenking, strukturerte utdata, funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk. Tenking kan brukes til en oppgave med avhengige betingelser; et strukturert svar kan gi felt for uthenting eller klassifisering. Et funksjonskall inneholder et foreslått funksjonsnavn og argumenter, mens applikasjonen utfører det og returnerer resultatet. Googles verktøy for kodekjøring bruker Python; søke- og dokumentverktøy tilfører eksternt materiale for et informert skriftlig svar. Den konkrete profilen omfatter også støtte for hurtigbufring og satsvis behandling. Dette er dokumenterte modellegenskaper, ikke en påstand om at en bestemt applikasjon har aktivert hvert verktøy eller kombinert dem i én forespørsel.\n\nFamiliekortet beskriver en transformermodell med en sparsom blanding av eksperter og innebygd multimodal forståelse. Førtreningen omfatter netttekst, programmeringsspråk, bilder, lyd og video. Ettertreningen bruker kvalitetssikrede parede instruksjoner og svar, informasjon om menneskelige preferanser og data om verktøybruk, med deduplisering samt sikkerhets- og kvalitetsfiltrering under klargjøringen. Det samme kortet beskriver mulig oppdikting av fakta, vansker med årsaksbasert og kontrafaktisk resonnering, begrensninger i kompleks logisk deduksjon og ujevn etterlevelse av tenkebudsjetter. Det registrerer også en tendens til at noen svar høres overdrevent belærende ut. Dette er vesentlige kontrollpunkter for en kortfattet behandlingsmodell.\n\nKlargjør representative vanlige, tvetydige og ufullstendige inndata for en gjentatt oppgave. Ved oversettelse bør du sammenligne terminologi, mening og det forespurte formatet med bare utdata. Ved transkripsjon eller dokumentuthenting bør du sammenligne de returnerte detaljene med det innsendte materialet og angi hva som ikke kunne fastslås. For et kort svar bør du undersøke om alle obligatoriske fakta ble beholdt. Den ferdige leveransen kan være en oversatt passasje, en kompakt oppsummering, uthentede felt eller en kategori og neste handling. Denne klargjøringen bruker septemberutgavens særskilte vekt på presis instruksjonsfølging, kortfattethet og multimediebehandling samtidig som resultatet holdes knyttet til det opprinnelige underlaget.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 legger vekt på instruksjonsfølging, kortfattet tekst, oversettelse og multimedieforståelse. Googles septemberutgave tar imot tekst, bilder, video, lyd og PDF, med strukturerte svar og dokumenterte verktøy for behandling i store volumer.
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 09-2025 er Googles septemberutgave for hyppige oppgaver som trenger et kortfattet, målrettet tekstresultat. Produsenten organiserer oppdateringen rundt tre temaer: bedre følging av komplekse instruksjoner og systemledetekster, mindre ordrikdom og forbedret oversettelse og multimodal forståelse. Det daterte navnet identifiserer denne bestemte forhåndsversjonen atskilt fra Flash-Lite-forhåndsversjonen fra juni, den stabile modellen og et skiftende latest-alias.
Forbedret instruksjonsfølging er nyttig når en oppgave har flere regler som må gjelde samtidig. Oppgi kildematerialet, målgruppen og ønsket format, og skill deretter obligatorisk innhold fra valgfri forklaring. En oppgave for behandling av kundestøttesaker kan kreve en kategori, kundens eksakte spørsmål og et neste steg basert bare på en innsendt referanse. En dokumentoppgave kan angi hvilke termer som skal beholdes, hvilke fakta som må være med og hvordan manglende verdier skal representeres. Disse eksemplene gjør en detaljert instruksjon om til et resultat med observerbare krav.
Mindre ordrikdom er en oppgitt egenskap ved denne utgivelsen. Det er særlig relevant når utdataene skal bli en kort feltverdi, et kort svar eller neste inndata i en større arbeidsflyt. Be om informasjonen som trengs fremfor en generell drøfting: beslutningen, kilden og det uavklarte spørsmålet. For en oppsummering bør du liste fakta og frister som må overleve forkortingen, og angi antallet eller formålet med delene. Kortfattethet er ikke det samme som å utelate viktige betingelser; en praktisk utdatamal gjør det obligatoriske innholdet tydelig.
Google melder om forbedret oversettelseskvalitet, bildeforståelse og lydtranskripsjon i denne septemberoppdateringen. Ved oversettelse bør du angi målgruppen og en ordliste og skille navn som skal forbli uendret fra ordlyd som skal lokaliseres. For et bilde bør du markere komponenten eller passasjen som skal forklares og beskrive hvordan svaret skal brukes. Ved lydtranskripsjon bør du be om en skriftlig gjengivelse med språket og formateringsreglene som trengs for neste steg. En multimediekilde kan også oppsummeres eller sammenlignes med et skriftlig krav når spørsmålet angir det relevante innholdet.
Det konkrete daterte modellkortet oppgir tekst, bilder, video, lyd og PDF som inndata, med tekst som utdata. Grensene er 1,048,576 inndatatokener og 65,536 utdatatokener, og den dokumenterte kunnskapsgrensen er januar 2025. Den store inndataprofilen kan kombinere materiale, instruksjoner og eksempler; gi hver kilde en etikett og oppgi hvilket underlag svaret skal bruke. Dette er Flash-Lite-utgaven med tekstutdata: generert tale, genererte bilder og et stemmegrensesnitt i sanntid inngår ikke i den oppgitte utdataprofilen.
Produsenten dokumenterer tenking, strukturerte utdata, funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk. Tenking kan brukes til en oppgave med avhengige betingelser; et strukturert svar kan gi felt for uthenting eller klassifisering. Et funksjonskall inneholder et foreslått funksjonsnavn og argumenter, mens applikasjonen utfører det og returnerer resultatet. Googles verktøy for kodekjøring bruker Python; søke- og dokumentverktøy tilfører eksternt materiale for et informert skriftlig svar. Den konkrete profilen omfatter også støtte for hurtigbufring og satsvis behandling. Dette er dokumenterte modellegenskaper, ikke en påstand om at en bestemt applikasjon har aktivert hvert verktøy eller kombinert dem i én forespørsel.
Familiekortet beskriver en transformermodell med en sparsom blanding av eksperter og innebygd multimodal forståelse. Førtreningen omfatter netttekst, programmeringsspråk, bilder, lyd og video. Ettertreningen bruker kvalitetssikrede parede instruksjoner og svar, informasjon om menneskelige preferanser og data om verktøybruk, med deduplisering samt sikkerhets- og kvalitetsfiltrering under klargjøringen. Det samme kortet beskriver mulig oppdikting av fakta, vansker med årsaksbasert og kontrafaktisk resonnering, begrensninger i kompleks logisk deduksjon og ujevn etterlevelse av tenkebudsjetter. Det registrerer også en tendens til at noen svar høres overdrevent belærende ut. Dette er vesentlige kontrollpunkter for en kortfattet behandlingsmodell.
Klargjør representative vanlige, tvetydige og ufullstendige inndata for en gjentatt oppgave. Ved oversettelse bør du sammenligne terminologi, mening og det forespurte formatet med bare utdata. Ved transkripsjon eller dokumentuthenting bør du sammenligne de returnerte detaljene med det innsendte materialet og angi hva som ikke kunne fastslås. For et kort svar bør du undersøke om alle obligatoriske fakta ble beholdt. Den ferdige leveransen kan være en oversatt passasje, en kompakt oppsummering, uthentede felt eller en kategori og neste handling. Denne klargjøringen bruker septemberutgavens særskilte vekt på presis instruksjonsfølging, kortfattethet og multimediebehandling samtidig som resultatet holdes knyttet til det opprinnelige underlaget.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite-preview-09-2025 | 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-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-lite-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-lite-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-09-2025
Bruk metodestiene som vises ovenfor.
gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 legger vekt på instruksjonsfølging, kortfattet tekst, oversettelse og multimedieforståelse. Googles septemberutgave tar imot tekst, bilder, video, lyd og PDF, med strukturerte svar og dokumenterte verktøy for behandling i store volumer.
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 09-2025 er Googles septemberutgave for hyppige oppgaver som trenger et kortfattet, målrettet tekstresultat. Produsenten organiserer oppdateringen rundt tre temaer: bedre følging av komplekse instruksjoner og systemledetekster, mindre ordrikdom og forbedret oversettelse og multimodal forståelse. Det daterte navnet identifiserer denne bestemte forhåndsversjonen atskilt fra Flash-Lite-forhåndsversjonen fra juni, den stabile modellen og et skiftende latest-alias.
Forbedret instruksjonsfølging er nyttig når en oppgave har flere regler som må gjelde samtidig. Oppgi kildematerialet, målgruppen og ønsket format, og skill deretter obligatorisk innhold fra valgfri forklaring. En oppgave for behandling av kundestøttesaker kan kreve en kategori, kundens eksakte spørsmål og et neste steg basert bare på en innsendt referanse. En dokumentoppgave kan angi hvilke termer som skal beholdes, hvilke fakta som må være med og hvordan manglende verdier skal representeres. Disse eksemplene gjør en detaljert instruksjon om til et resultat med observerbare krav.
Mindre ordrikdom er en oppgitt egenskap ved denne utgivelsen. Det er særlig relevant når utdataene skal bli en kort feltverdi, et kort svar eller neste inndata i en større arbeidsflyt. Be om informasjonen som trengs fremfor en generell drøfting: beslutningen, kilden og det uavklarte spørsmålet. For en oppsummering bør du liste fakta og frister som må overleve forkortingen, og angi antallet eller formålet med delene. Kortfattethet er ikke det samme som å utelate viktige betingelser; en praktisk utdatamal gjør det obligatoriske innholdet tydelig.
Google melder om forbedret oversettelseskvalitet, bildeforståelse og lydtranskripsjon i denne septemberoppdateringen. Ved oversettelse bør du angi målgruppen og en ordliste og skille navn som skal forbli uendret fra ordlyd som skal lokaliseres. For et bilde bør du markere komponenten eller passasjen som skal forklares og beskrive hvordan svaret skal brukes. Ved lydtranskripsjon bør du be om en skriftlig gjengivelse med språket og formateringsreglene som trengs for neste steg. En multimediekilde kan også oppsummeres eller sammenlignes med et skriftlig krav når spørsmålet angir det relevante innholdet.
Det konkrete daterte modellkortet oppgir tekst, bilder, video, lyd og PDF som inndata, med tekst som utdata. Grensene er 1,048,576 inndatatokener og 65,536 utdatatokener, og den dokumenterte kunnskapsgrensen er januar 2025. Den store inndataprofilen kan kombinere materiale, instruksjoner og eksempler; gi hver kilde en etikett og oppgi hvilket underlag svaret skal bruke. Dette er Flash-Lite-utgaven med tekstutdata: generert tale, genererte bilder og et stemmegrensesnitt i sanntid inngår ikke i den oppgitte utdataprofilen.
Produsenten dokumenterer tenking, strukturerte utdata, funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk. Tenking kan brukes til en oppgave med avhengige betingelser; et strukturert svar kan gi felt for uthenting eller klassifisering. Et funksjonskall inneholder et foreslått funksjonsnavn og argumenter, mens applikasjonen utfører det og returnerer resultatet. Googles verktøy for kodekjøring bruker Python; søke- og dokumentverktøy tilfører eksternt materiale for et informert skriftlig svar. Den konkrete profilen omfatter også støtte for hurtigbufring og satsvis behandling. Dette er dokumenterte modellegenskaper, ikke en påstand om at en bestemt applikasjon har aktivert hvert verktøy eller kombinert dem i én forespørsel.
Familiekortet beskriver en transformermodell med en sparsom blanding av eksperter og innebygd multimodal forståelse. Førtreningen omfatter netttekst, programmeringsspråk, bilder, lyd og video. Ettertreningen bruker kvalitetssikrede parede instruksjoner og svar, informasjon om menneskelige preferanser og data om verktøybruk, med deduplisering samt sikkerhets- og kvalitetsfiltrering under klargjøringen. Det samme kortet beskriver mulig oppdikting av fakta, vansker med årsaksbasert og kontrafaktisk resonnering, begrensninger i kompleks logisk deduksjon og ujevn etterlevelse av tenkebudsjetter. Det registrerer også en tendens til at noen svar høres overdrevent belærende ut. Dette er vesentlige kontrollpunkter for en kortfattet behandlingsmodell.
Klargjør representative vanlige, tvetydige og ufullstendige inndata for en gjentatt oppgave. Ved oversettelse bør du sammenligne terminologi, mening og det forespurte formatet med bare utdata. Ved transkripsjon eller dokumentuthenting bør du sammenligne de returnerte detaljene med det innsendte materialet og angi hva som ikke kunne fastslås. For et kort svar bør du undersøke om alle obligatoriske fakta ble beholdt. Den ferdige leveransen kan være en oversatt passasje, en kompakt oppsummering, uthentede felt eller en kategori og neste handling. Denne klargjøringen bruker septemberutgavens særskilte vekt på presis instruksjonsfølging, kortfattethet og multimediebehandling samtidig som resultatet holdes knyttet til det opprinnelige underlaget.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite-preview-09-2025 | 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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-2.5-flash-lite-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-09-2025
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.