Gemini 2.5 Flash Preview 09-2025 er forhåndsutgaven fra september av Googles hybride resonneringsmodell. De dokumenterte inndataene er tekst, bilder, video og lyd; utdataene er tekst. Modellen kan kombinere spørsmålet med visuelt eller muntlig materiale og deretter produsere en forklaring, et dokument, kode eller et strukturert svar. Denne eksakte daterte utgaven er forskjellig fra stabile Gemini 2.5 Flash og fra et skiftende latest-alias. Formålet er multimodal forståelse og verktøystøttet arbeid med et skriftlig resultat.
Google beskriver to konkrete forbedringer i denne utgivelsen: bedre agentbasert verktøybruk og mer økonomisk svargenerering når tenking er aktivert. Den første gjelder oppgaver som krever flere sammenhengende handlinger, som å hente informasjon, sammenligne den med forespørselen og velge neste steg. Den andre gjelder å produsere nyttige svar med færre genererte tokener samtidig som kvaliteten beholdes. For en utviklingsassistent bør du oppgi observert virkemåte, relevant kode og kriteriet for en vellykket endring. For en undersøkelsesassistent bør du definere spørsmålet, materialet som skal undersøkes og underlaget som trengs for konklusjonen.
Tenking og direkte svar er del av den hybride utformingen. En tenkeoppgave kan analysere avhengigheter, matematiske betingelser eller en plan med flere steg før sluttsvaret utarbeides. En enkel uthenting eller kort forklaring kan ha et enklere svarmål. Oppgi hvilke begrensninger som er obligatoriske, hva modellen kan forutsette og hva sluttleveransen må inneholde. Produsentens familiekort bemerker at tenkebudsjetter kan følges ujevnt, så et forespurt budsjett er ikke bevis på en streng øvre grense for resonnering. Denne beskrivelsen tilskriver ikke tenkenivåene eller standardinnstillingene til en nyere modell til septemberutgaven.
Den konkrete modelltabellen for september angir opptil 1,048,576 inndatatokener og 65,536 utdatatokener. Den store inndataprofilen kan romme instruksjoner, eksempler, referansetekst og multimediekontekst i én oppgave. For å sammenligne krav med en foreslått løsning bør du merke de to kildene og oppgi et felles sett med kriterier. For å drøfte et skjermbilde bør du angi den relevante tilstanden eller komponenten; for en lyd- eller videooppgave bør du navngi spørsmålet eller hendelsen fremfor å be om en beskrivelse uten retning. Resultatet er fortsatt tekst: innebygd bildegenerering, stemmegenerering og muntlig dialog i sanntid tilhører andre modellprofiler.
Google dokumenterer funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk for denne konkrete forhåndsversjonen. Funksjonskall velger en deklarert funksjon og klargjør argumenter; den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Kodekjøring bruker generert Python til beregninger eller tekstbehandling. Søkeforankring tilfører nettmateriale for et kildeinformert svar, mens URL-kontekst arbeider med innholdet på angitte tilgjengelige sider. Filsøk gir en annen mulighet til å hente kildemateriale. Gi en agent et tydelig formål for hvert verktøy og angi forventet informasjon fra hvert steg, slik at arbeidsflyten kan fortsette fra det faktiske returnerte resultatet.
Støtte for strukturerte utdata gjør sluttleveransen anvendelig som et sett med definerte felt. For en sammenligning kan du be om et kriterium, det tilhørende kildeavsnittet, den observerte forskjellen og spørsmålet som fortsatt må avklares. For en kodeoppgave bør du skille den foreslåtte endringen fra forklaringen og kontrollene som fortsatt kreves. Googles konkrete modellprofil oppgir også støtte for kontekstbufring og satsvis behandling. Gjentatt kildemateriale kan holdes konsekvent på tvers av relaterte oppgaver; hurtigbufring fastslår ikke i seg selv at en bestemt forespørsel gjenbrukte bufrede tokener. Disse egenskapsnavnene innebærer ingen nyere skjemakombinasjoner, terskler for hurtigbufring eller samtidige verktøymoduser.
Familiens modellkort beskriver en transformermodell med en sparsom blanding av eksperter og innebygd forståelse av tekst, visuelt materiale og lyd. Treningen kombinerer netttekst, kode, bilder, lyd og video; ettertreningen omfatter parede multimodale instruksjoner og svar, menneskelige preferanser og data om verktøybruk. Dataklargjøringen bruker deduplisering samt sikkerhets- og kvalitetsfiltrering. Den konkrete daterte modellsiden oppgir januar 2025 som kunnskapsgrense. Spørsmål som krever nyere informasjon, bør angi kildematerialet eller et passende innhentingssteg i stedet for å behandle modellens treningskunnskap som en informasjonsstrøm i sanntid.
Vesentlige begrensninger omfatter mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Familiekortet bemerker også at svar av og til kan ha en unødvendig belærende tone. For å få et nyttig resultat bør du kreve at modellen skiller kildefakta, forutsetninger og foreslåtte handlinger og deretter undersøke delene som avgjør beslutningen. En fullstendig agentleveranse kan inneholde funnene, et begrunnet neste steg, informasjon hentet fra verktøy og eventuelle uavklarte spørsmål. Septemberutgavens vekt på verktøybruk bidrar til å definere denne arbeidsflyten, mens klargjorte inndata og uttrykkelige fullføringskriterier holder den knyttet til brukerens oppgave.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 er forhåndsutgaven fra september av Googles hybride resonneringsmodell. De dokumenterte inndataene er tekst, bilder, video og lyd; utdataene er tekst. Modellen kan kombinere spørsmålet med visuelt eller muntlig materiale og deretter produsere en forklaring, et dokument, kode eller et strukturert svar. Denne eksakte daterte utgaven er forskjellig fra stabile Gemini 2.5 Flash og fra et skiftende latest-alias. Formålet er multimodal forståelse og verktøystøttet arbeid med et skriftlig resultat.\n\nGoogle beskriver to konkrete forbedringer i denne utgivelsen: bedre agentbasert verktøybruk og mer økonomisk svargenerering når tenking er aktivert. Den første gjelder oppgaver som krever flere sammenhengende handlinger, som å hente informasjon, sammenligne den med forespørselen og velge neste steg. Den andre gjelder å produsere nyttige svar med færre genererte tokener samtidig som kvaliteten beholdes. For en utviklingsassistent bør du oppgi observert virkemåte, relevant kode og kriteriet for en vellykket endring. For en undersøkelsesassistent bør du definere spørsmålet, materialet som skal undersøkes og underlaget som trengs for konklusjonen.\n\nTenking og direkte svar er del av den hybride utformingen. En tenkeoppgave kan analysere avhengigheter, matematiske betingelser eller en plan med flere steg før sluttsvaret utarbeides. En enkel uthenting eller kort forklaring kan ha et enklere svarmål. Oppgi hvilke begrensninger som er obligatoriske, hva modellen kan forutsette og hva sluttleveransen må inneholde. Produsentens familiekort bemerker at tenkebudsjetter kan følges ujevnt, så et forespurt budsjett er ikke bevis på en streng øvre grense for resonnering. Denne beskrivelsen tilskriver ikke tenkenivåene eller standardinnstillingene til en nyere modell til septemberutgaven.\n\nDen konkrete modelltabellen for september angir opptil 1,048,576 inndatatokener og 65,536 utdatatokener. Den store inndataprofilen kan romme instruksjoner, eksempler, referansetekst og multimediekontekst i én oppgave. For å sammenligne krav med en foreslått løsning bør du merke de to kildene og oppgi et felles sett med kriterier. For å drøfte et skjermbilde bør du angi den relevante tilstanden eller komponenten; for en lyd- eller videooppgave bør du navngi spørsmålet eller hendelsen fremfor å be om en beskrivelse uten retning. Resultatet er fortsatt tekst: innebygd bildegenerering, stemmegenerering og muntlig dialog i sanntid tilhører andre modellprofiler.\n\nGoogle dokumenterer funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk for denne konkrete forhåndsversjonen. Funksjonskall velger en deklarert funksjon og klargjør argumenter; den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Kodekjøring bruker generert Python til beregninger eller tekstbehandling. Søkeforankring tilfører nettmateriale for et kildeinformert svar, mens URL-kontekst arbeider med innholdet på angitte tilgjengelige sider. Filsøk gir en annen mulighet til å hente kildemateriale. Gi en agent et tydelig formål for hvert verktøy og angi forventet informasjon fra hvert steg, slik at arbeidsflyten kan fortsette fra det faktiske returnerte resultatet.\n\nStøtte for strukturerte utdata gjør sluttleveransen anvendelig som et sett med definerte felt. For en sammenligning kan du be om et kriterium, det tilhørende kildeavsnittet, den observerte forskjellen og spørsmålet som fortsatt må avklares. For en kodeoppgave bør du skille den foreslåtte endringen fra forklaringen og kontrollene som fortsatt kreves. Googles konkrete modellprofil oppgir også støtte for kontekstbufring og satsvis behandling. Gjentatt kildemateriale kan holdes konsekvent på tvers av relaterte oppgaver; hurtigbufring fastslår ikke i seg selv at en bestemt forespørsel gjenbrukte bufrede tokener. Disse egenskapsnavnene innebærer ingen nyere skjemakombinasjoner, terskler for hurtigbufring eller samtidige verktøymoduser.\n\nFamiliens modellkort beskriver en transformermodell med en sparsom blanding av eksperter og innebygd forståelse av tekst, visuelt materiale og lyd. Treningen kombinerer netttekst, kode, bilder, lyd og video; ettertreningen omfatter parede multimodale instruksjoner og svar, menneskelige preferanser og data om verktøybruk. Dataklargjøringen bruker deduplisering samt sikkerhets- og kvalitetsfiltrering. Den konkrete daterte modellsiden oppgir januar 2025 som kunnskapsgrense. Spørsmål som krever nyere informasjon, bør angi kildematerialet eller et passende innhentingssteg i stedet for å behandle modellens treningskunnskap som en informasjonsstrøm i sanntid.\n\nVesentlige begrensninger omfatter mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Familiekortet bemerker også at svar av og til kan ha en unødvendig belærende tone. For å få et nyttig resultat bør du kreve at modellen skiller kildefakta, forutsetninger og foreslåtte handlinger og deretter undersøke delene som avgjør beslutningen. En fullstendig agentleveranse kan inneholde funnene, et begrunnet neste steg, informasjon hentet fra verktøy og eventuelle uavklarte spørsmål. Septemberutgavens vekt på verktøybruk bidrar til å definere denne arbeidsflyten, mens klargjorte inndata og uttrykkelige fullføringskriterier holder den knyttet til brukerens oppgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 er Googles septemberutgave for multimodal analyse og arbeid med verktøy i flere steg. Den kombinerer forståelse av tekst, bilder, video og lyd med tenking, strukturerte svar og en inndatagrense på 1,048,576 tokener, med særskilte forbedringer i agentbasert verktøybruk.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash Preview 09-2025 er forhåndsutgaven fra september av Googles hybride resonneringsmodell. De dokumenterte inndataene er tekst, bilder, video og lyd; utdataene er tekst. Modellen kan kombinere spørsmålet med visuelt eller muntlig materiale og deretter produsere en forklaring, et dokument, kode eller et strukturert svar. Denne eksakte daterte utgaven er forskjellig fra stabile Gemini 2.5 Flash og fra et skiftende latest-alias. Formålet er multimodal forståelse og verktøystøttet arbeid med et skriftlig resultat.
Google beskriver to konkrete forbedringer i denne utgivelsen: bedre agentbasert verktøybruk og mer økonomisk svargenerering når tenking er aktivert. Den første gjelder oppgaver som krever flere sammenhengende handlinger, som å hente informasjon, sammenligne den med forespørselen og velge neste steg. Den andre gjelder å produsere nyttige svar med færre genererte tokener samtidig som kvaliteten beholdes. For en utviklingsassistent bør du oppgi observert virkemåte, relevant kode og kriteriet for en vellykket endring. For en undersøkelsesassistent bør du definere spørsmålet, materialet som skal undersøkes og underlaget som trengs for konklusjonen.
Tenking og direkte svar er del av den hybride utformingen. En tenkeoppgave kan analysere avhengigheter, matematiske betingelser eller en plan med flere steg før sluttsvaret utarbeides. En enkel uthenting eller kort forklaring kan ha et enklere svarmål. Oppgi hvilke begrensninger som er obligatoriske, hva modellen kan forutsette og hva sluttleveransen må inneholde. Produsentens familiekort bemerker at tenkebudsjetter kan følges ujevnt, så et forespurt budsjett er ikke bevis på en streng øvre grense for resonnering. Denne beskrivelsen tilskriver ikke tenkenivåene eller standardinnstillingene til en nyere modell til septemberutgaven.
Den konkrete modelltabellen for september angir opptil 1,048,576 inndatatokener og 65,536 utdatatokener. Den store inndataprofilen kan romme instruksjoner, eksempler, referansetekst og multimediekontekst i én oppgave. For å sammenligne krav med en foreslått løsning bør du merke de to kildene og oppgi et felles sett med kriterier. For å drøfte et skjermbilde bør du angi den relevante tilstanden eller komponenten; for en lyd- eller videooppgave bør du navngi spørsmålet eller hendelsen fremfor å be om en beskrivelse uten retning. Resultatet er fortsatt tekst: innebygd bildegenerering, stemmegenerering og muntlig dialog i sanntid tilhører andre modellprofiler.
Google dokumenterer funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk for denne konkrete forhåndsversjonen. Funksjonskall velger en deklarert funksjon og klargjør argumenter; den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Kodekjøring bruker generert Python til beregninger eller tekstbehandling. Søkeforankring tilfører nettmateriale for et kildeinformert svar, mens URL-kontekst arbeider med innholdet på angitte tilgjengelige sider. Filsøk gir en annen mulighet til å hente kildemateriale. Gi en agent et tydelig formål for hvert verktøy og angi forventet informasjon fra hvert steg, slik at arbeidsflyten kan fortsette fra det faktiske returnerte resultatet.
Støtte for strukturerte utdata gjør sluttleveransen anvendelig som et sett med definerte felt. For en sammenligning kan du be om et kriterium, det tilhørende kildeavsnittet, den observerte forskjellen og spørsmålet som fortsatt må avklares. For en kodeoppgave bør du skille den foreslåtte endringen fra forklaringen og kontrollene som fortsatt kreves. Googles konkrete modellprofil oppgir også støtte for kontekstbufring og satsvis behandling. Gjentatt kildemateriale kan holdes konsekvent på tvers av relaterte oppgaver; hurtigbufring fastslår ikke i seg selv at en bestemt forespørsel gjenbrukte bufrede tokener. Disse egenskapsnavnene innebærer ingen nyere skjemakombinasjoner, terskler for hurtigbufring eller samtidige verktøymoduser.
Familiens modellkort beskriver en transformermodell med en sparsom blanding av eksperter og innebygd forståelse av tekst, visuelt materiale og lyd. Treningen kombinerer netttekst, kode, bilder, lyd og video; ettertreningen omfatter parede multimodale instruksjoner og svar, menneskelige preferanser og data om verktøybruk. Dataklargjøringen bruker deduplisering samt sikkerhets- og kvalitetsfiltrering. Den konkrete daterte modellsiden oppgir januar 2025 som kunnskapsgrense. Spørsmål som krever nyere informasjon, bør angi kildematerialet eller et passende innhentingssteg i stedet for å behandle modellens treningskunnskap som en informasjonsstrøm i sanntid.
Vesentlige begrensninger omfatter mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Familiekortet bemerker også at svar av og til kan ha en unødvendig belærende tone. For å få et nyttig resultat bør du kreve at modellen skiller kildefakta, forutsetninger og foreslåtte handlinger og deretter undersøke delene som avgjør beslutningen. En fullstendig agentleveranse kan inneholde funnene, et begrunnet neste steg, informasjon hentet fra verktøy og eventuelle uavklarte spørsmål. Septemberutgavens vekt på verktøybruk bidrar til å definere denne arbeidsflyten, mens klargjorte inndata og uttrykkelige fullføringskriterier holder den knyttet til brukerens oppgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-preview-09-2025 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Bruk metodestiene som vises ovenfor.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 er Googles septemberutgave for multimodal analyse og arbeid med verktøy i flere steg. Den kombinerer forståelse av tekst, bilder, video og lyd med tenking, strukturerte svar og en inndatagrense på 1,048,576 tokener, med særskilte forbedringer i agentbasert verktøybruk.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash Preview 09-2025 er forhåndsutgaven fra september av Googles hybride resonneringsmodell. De dokumenterte inndataene er tekst, bilder, video og lyd; utdataene er tekst. Modellen kan kombinere spørsmålet med visuelt eller muntlig materiale og deretter produsere en forklaring, et dokument, kode eller et strukturert svar. Denne eksakte daterte utgaven er forskjellig fra stabile Gemini 2.5 Flash og fra et skiftende latest-alias. Formålet er multimodal forståelse og verktøystøttet arbeid med et skriftlig resultat.
Google beskriver to konkrete forbedringer i denne utgivelsen: bedre agentbasert verktøybruk og mer økonomisk svargenerering når tenking er aktivert. Den første gjelder oppgaver som krever flere sammenhengende handlinger, som å hente informasjon, sammenligne den med forespørselen og velge neste steg. Den andre gjelder å produsere nyttige svar med færre genererte tokener samtidig som kvaliteten beholdes. For en utviklingsassistent bør du oppgi observert virkemåte, relevant kode og kriteriet for en vellykket endring. For en undersøkelsesassistent bør du definere spørsmålet, materialet som skal undersøkes og underlaget som trengs for konklusjonen.
Tenking og direkte svar er del av den hybride utformingen. En tenkeoppgave kan analysere avhengigheter, matematiske betingelser eller en plan med flere steg før sluttsvaret utarbeides. En enkel uthenting eller kort forklaring kan ha et enklere svarmål. Oppgi hvilke begrensninger som er obligatoriske, hva modellen kan forutsette og hva sluttleveransen må inneholde. Produsentens familiekort bemerker at tenkebudsjetter kan følges ujevnt, så et forespurt budsjett er ikke bevis på en streng øvre grense for resonnering. Denne beskrivelsen tilskriver ikke tenkenivåene eller standardinnstillingene til en nyere modell til septemberutgaven.
Den konkrete modelltabellen for september angir opptil 1,048,576 inndatatokener og 65,536 utdatatokener. Den store inndataprofilen kan romme instruksjoner, eksempler, referansetekst og multimediekontekst i én oppgave. For å sammenligne krav med en foreslått løsning bør du merke de to kildene og oppgi et felles sett med kriterier. For å drøfte et skjermbilde bør du angi den relevante tilstanden eller komponenten; for en lyd- eller videooppgave bør du navngi spørsmålet eller hendelsen fremfor å be om en beskrivelse uten retning. Resultatet er fortsatt tekst: innebygd bildegenerering, stemmegenerering og muntlig dialog i sanntid tilhører andre modellprofiler.
Google dokumenterer funksjonskall, kodekjøring, søkeforankring, URL-kontekst og filsøk for denne konkrete forhåndsversjonen. Funksjonskall velger en deklarert funksjon og klargjør argumenter; den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Kodekjøring bruker generert Python til beregninger eller tekstbehandling. Søkeforankring tilfører nettmateriale for et kildeinformert svar, mens URL-kontekst arbeider med innholdet på angitte tilgjengelige sider. Filsøk gir en annen mulighet til å hente kildemateriale. Gi en agent et tydelig formål for hvert verktøy og angi forventet informasjon fra hvert steg, slik at arbeidsflyten kan fortsette fra det faktiske returnerte resultatet.
Støtte for strukturerte utdata gjør sluttleveransen anvendelig som et sett med definerte felt. For en sammenligning kan du be om et kriterium, det tilhørende kildeavsnittet, den observerte forskjellen og spørsmålet som fortsatt må avklares. For en kodeoppgave bør du skille den foreslåtte endringen fra forklaringen og kontrollene som fortsatt kreves. Googles konkrete modellprofil oppgir også støtte for kontekstbufring og satsvis behandling. Gjentatt kildemateriale kan holdes konsekvent på tvers av relaterte oppgaver; hurtigbufring fastslår ikke i seg selv at en bestemt forespørsel gjenbrukte bufrede tokener. Disse egenskapsnavnene innebærer ingen nyere skjemakombinasjoner, terskler for hurtigbufring eller samtidige verktøymoduser.
Familiens modellkort beskriver en transformermodell med en sparsom blanding av eksperter og innebygd forståelse av tekst, visuelt materiale og lyd. Treningen kombinerer netttekst, kode, bilder, lyd og video; ettertreningen omfatter parede multimodale instruksjoner og svar, menneskelige preferanser og data om verktøybruk. Dataklargjøringen bruker deduplisering samt sikkerhets- og kvalitetsfiltrering. Den konkrete daterte modellsiden oppgir januar 2025 som kunnskapsgrense. Spørsmål som krever nyere informasjon, bør angi kildematerialet eller et passende innhentingssteg i stedet for å behandle modellens treningskunnskap som en informasjonsstrøm i sanntid.
Vesentlige begrensninger omfatter mulig oppdikting av fakta og vansker med årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering. Familiekortet bemerker også at svar av og til kan ha en unødvendig belærende tone. For å få et nyttig resultat bør du kreve at modellen skiller kildefakta, forutsetninger og foreslåtte handlinger og deretter undersøke delene som avgjør beslutningen. En fullstendig agentleveranse kan inneholde funnene, et begrunnet neste steg, informasjon hentet fra verktøy og eventuelle uavklarte spørsmål. Septemberutgavens vekt på verktøybruk bidrar til å definere denne arbeidsflyten, mens klargjorte inndata og uttrykkelige fullføringskriterier holder den knyttet til brukerens oppgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-flash-preview-09-2025 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.