Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
", "aboutText": "Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.\n\nVed programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.\n\nVed matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.\n\nDynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.\n\nVed multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.\n\nDen konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.\n\nDet underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.\n\nDen stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.gemini-2.5-proGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-pro | 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/messages| Forespørselsstørrelse, tokener | Inndata | Utdata | Lesing fra hurtigbuffer | Skriving til hurtigbuffer | Hurtigbuffer 5 min | Hurtigbuffer 1 time |
|---|---|---|---|---|---|---|
| Forespørselsstørrelse, tokener(0; 200 000] | Inndata0,00125 USD | Utdata0,01 USD | Lesing fra hurtigbuffer0,000125 USD | Skriving til hurtigbufferGrunnsats: — | Hurtigbuffer 5 minGrunnsats: — | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(200 000; ∞) | Inndata0,0025 USD | Utdata0,015 USD | Lesing fra hurtigbuffer0,00025 USD | Skriving til hurtigbufferGrunnsats: — | Hurtigbuffer 5 minGrunnsats: — | Hurtigbuffer 1 timeGrunnsats: — |
Satser i USD per 1K tokener. Hvis ingen sats er angitt, arves grunnsatsen for denne metoden; «—» betyr at ingen grunnsats er angitt.
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 →
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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${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-pro", "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-pro", "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-pro",\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-pro",\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-pro',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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-pro | 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}:generateContent| Forespørselsstørrelse, tokener | Inndata | Utdata | Lesing fra hurtigbuffer | Skriving til hurtigbuffer | Hurtigbuffer 5 min | Hurtigbuffer 1 time |
|---|---|---|---|---|---|---|
| Forespørselsstørrelse, tokener(0; 200 000] | Inndata0,00125 USD | Utdata0,01 USD | Lesing fra hurtigbuffer0,000125 USD | Skriving til hurtigbufferGrunnsats: — | Hurtigbuffer 5 minGrunnsats: — | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(200 000; ∞) | Inndata0,0025 USD | Utdata0,015 USD | Lesing fra hurtigbuffer0,00025 USD | Skriving til hurtigbufferGrunnsats: — | Hurtigbuffer 5 minGrunnsats: — | Hurtigbuffer 1 timeGrunnsats: — |
Satser i USD per 1K tokener. Hvis ingen sats er angitt, arves grunnsatsen for denne metoden; «—» betyr at ingen grunnsats er angitt.
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 →
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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${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-pro: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-pro: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-pro", 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-pro", 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-pro',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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-pro | 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-pro","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-pro", 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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-2.5-pro | 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-2.5-pro | 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-pro", "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-pro',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-pro',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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-2.5-pro | 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener Utdata · Utdatatokener for resonnering $0.02 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
Teknisk eksempel på engelsk
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.