Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
", "aboutText": "Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.\n\nVed klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.\n\nTenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.\n\nVed oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.\n\nDen konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.\n\nDet underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.\n\nDenne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.\n\nKortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a pickup instruction\n\nTranslate this pickup instruction into French for a customer: "Collect order AR-62 at reception between 14:00 and 17:00. Bring the pickup code. Do not send the code by email." Keep AR-62 and the time range unchanged. Return only the translation, preserving both the required action and the warning.One French translation with the original order ID and time range, without commentary.Check the order ID, both times and the prohibition on emailing the code against the source.gemini-2.5-flash-liteGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-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-2.5-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-2.5-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-2.5-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-2.5-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 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
gemini-2.5-flash-liteGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite | Standard— |
Feltcontents | Typecontent[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltcontents[].role | Typestring | KravValgfritt | Verdier & grenser user, model | Standard— |
Feltcontents[].parts | Typepart[] | KravPåkrevd | Verdier & grenser | Standard— |
FeltsystemInstruction | Typecontent | KravValgfritt | Verdier & grenser | Standard— |
FeltgenerationConfig.maxOutputTokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsessionId | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Tekst · UTF8-tekst
contents[].parts[].text
Tekst + bilde
parts[].inlineData={mimeType,data}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalecontents |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1beta/models/{model}:generateContentAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-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-2.5-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-2.5-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-2.5-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-2.5-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 eller støttet strømming
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle kandidater og deler, inkludert funksjonskall, resonneringssignaturer og bruksdata; sett sammen strømmens biter i rekkefølge.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
FeltresponseId | Typestring |
FeltmodelVersion | Typestring |
Feltcandidates[].content.parts[] | Typetext|inlineData|functionCall|other part |
Feltcandidates[].finishReason | Typestring |
FeltusageMetadata | 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
gemini-2.5-flash-liteGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-2.5-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 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
gemini-2.5-flash-liteGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-lite | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-2.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
google/gemini-2.5-flash-liteGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-2.5-flash-lite | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-2.5-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-2.5-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-2.5-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 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
google/gemini-2.5-flash-liteGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-2.5-flash-lite | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemini-2.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2.5-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-2.5-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 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 gemini-2.5-flash-lite
Ailoot Ultra gemini-2.5-flash-lite, google/gemini-2.5-flash-lite
/chat/completions
google/gemini-2.5-flash-lite, gemini-2.5-flash-lite, gemini-2.5-flash-lite
Teknisk eksempel på engelsk
Translate a pickup instruction\n\nTranslate this pickup instruction into French for a customer: "Collect order AR-62 at reception between 14:00 and 17:00. Bring the pickup code. Do not send the code by email." Keep AR-62 and the time range unchanged. Return only the translation, preserving both the required action and the warning.One French translation with the original order ID and time range, without commentary.Check the order ID, both times and the prohibition on emailing the code against the source.