Gemini 3.1 Pro Preview er laget for arbeid med krevende materiale og oppgaver som krever flere beslutninger i rekkefølge. Google fremhever programvareutvikling, verktøybruk og konsistens i faktabaserte svar. Modellen hjelper med å analysere store datasett, hele koderepositorier og oppgaver der tekst kombineres med visuelt materiale eller lyd.
Googles spesifikasjoner oppgir tekst, bilder, video, lyd og PDF. I den gjeldende Ailoot API-katalogen er tekst og bilder oppgitt som inndata for tekstmetoder, og tekst som utdata. Video, lyd og PDF inngår ikke i dette settet med inndata. Den lange konteksten rommer opptil 1 048 576 inndatatokener, og tekstsvaret opptil 65 536 utdatatokener. Forståelse av bilder og lyd innebærer ikke generering av dem: denne versjonen gir fortsatt tekst som utdata.
Thinking gir mulighet til å sette av ekstra innsats til intern resonnering. I modusen Google beskriver for grunnmodellen, er standardnivået high; low, medium og high er tilgjengelige. Disse verdiene beskriver Googles grunnmodell; modus og muligheten for styring gjennom Ailoot API avhenger av valgt metode og modellvariant. Viktige bruksområder omfatter krevende programmering, algoritmeutvikling, strategisk planlegging og trinnvis forbedring av løsninger. Dette er særlig nyttig når flere sammenhengende krav må tas hensyn til og mellomresultater må vurderes på nytt.
Modellens funksjoner omfatter funksjonskall, kjøring av kode og strukturerte svar. Mellomlagring av kontekst, søkeforankring, Google Maps og bruk av innhold fra nettadresser støttes; satsvis behandling er tilgjengelig. Dette gjør det mulig å bygge en prosess der modellen analyserer data, velger neste verktøy og utarbeider resultatet. Den faktiske tilgjengeligheten til hvert verktøy avhenger av metoden som brukes med modellen.
Kortet gjelder forhåndsversjonen gemini-3.1-pro-preview. Den bygger på Gemini 3 Pro. Produsenten skiller også ut varianten gemini-3.1-pro-preview-customtools, som er rettet mot arbeidsflyter med kommandoskall og egendefinerte verktøy. Dens prioriteringer ved verktøyvalg og atferd er ikke egenskaper ved den vanlige Preview-versjonen.
De generelle begrensningene fra grunnmodellrekken gjelder fortsatt: svar kan inneholde oppdiktede opplysninger, og enkelte forespørsler kan gå tregt eller ende med tidsavbrudd. Resonnering i flere trinn, stor kontekst og tilgang til data hjelper med krevende oppgaver, men gjør ikke hver generert slutning til et etterprøvd faktum.
", "aboutText": "Gemini 3.1 Pro Preview er laget for arbeid med krevende materiale og oppgaver som krever flere beslutninger i rekkefølge. Google fremhever programvareutvikling, verktøybruk og konsistens i faktabaserte svar. Modellen hjelper med å analysere store datasett, hele koderepositorier og oppgaver der tekst kombineres med visuelt materiale eller lyd.\n\n### Hvilket materiale modellen forstår\n\nGoogles spesifikasjoner oppgir **tekst, bilder, video, lyd og PDF**. I den gjeldende Ailoot API-katalogen er **tekst og bilder** oppgitt som inndata for tekstmetoder, og tekst som utdata. Video, lyd og PDF inngår ikke i dette settet med inndata. Den lange konteksten rommer opptil **1 048 576 inndatatokener**, og tekstsvaret opptil **65 536 utdatatokener**. Forståelse av bilder og lyd innebærer ikke generering av dem: denne versjonen gir fortsatt tekst som utdata.\n\n### Resonnering og trinnvis arbeid\n\nThinking gir mulighet til å sette av ekstra innsats til intern resonnering. I modusen Google beskriver for grunnmodellen, er standardnivået `high`; `low`, `medium` og `high` er tilgjengelige. Disse verdiene beskriver Googles grunnmodell; modus og muligheten for styring gjennom Ailoot API avhenger av valgt metode og modellvariant. Viktige bruksområder omfatter krevende programmering, algoritmeutvikling, strategisk planlegging og trinnvis forbedring av løsninger. Dette er særlig nyttig når flere sammenhengende krav må tas hensyn til og mellomresultater må vurderes på nytt.\n\nModellens funksjoner omfatter funksjonskall, kjøring av kode og strukturerte svar. Mellomlagring av kontekst, søkeforankring, Google Maps og bruk av innhold fra nettadresser støttes; satsvis behandling er tilgjengelig. Dette gjør det mulig å bygge en prosess der modellen analyserer data, velger neste verktøy og utarbeider resultatet. Den faktiske tilgjengeligheten til hvert verktøy avhenger av metoden som brukes med modellen.\n\n### Versjon og særtrekk\n\nKortet gjelder forhåndsversjonen `gemini-3.1-pro-preview`. Den bygger på Gemini 3 Pro. Produsenten skiller også ut varianten `gemini-3.1-pro-preview-customtools`, som er rettet mot arbeidsflyter med kommandoskall og egendefinerte verktøy. Dens prioriteringer ved verktøyvalg og atferd er ikke egenskaper ved den vanlige Preview-versjonen.\n\nDe generelle begrensningene fra grunnmodellrekken gjelder fortsatt: svar kan inneholde oppdiktede opplysninger, og enkelte forespørsler kan gå tregt eller ende med tidsavbrudd. Resonnering i flere trinn, stor kontekst og tilgang til data hjelper med krevende oppgaver, men gjør ikke hver generert slutning til et etterprøvd faktum.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Plan a dependency-constrained move\n\nA lab move has these constraints: archive samples before unplugging the freezer; test the backup freezer before moving samples; restore temperature monitoring before accepting new samples. Staff propose unplugging first to save time. Produce an ordered checklist, flag the unsafe proposed step and specify evidence needed before accepting new samples. Use only the supplied constraints.An ordered checklist, one identified conflict and an acceptance-evidence item.The checklist must place backup testing and sample protection before unplugging and monitoring before intake.gemini-3.1-pro-highEn multimodal Google-modell for krevende programmeringsoppgaver, analyse av omfattende materiale og presist arbeid med verktøy i flere trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.1 Pro Preview er laget for arbeid med krevende materiale og oppgaver som krever flere beslutninger i rekkefølge. Google fremhever programvareutvikling, verktøybruk og konsistens i faktabaserte svar. Modellen hjelper med å analysere store datasett, hele koderepositorier og oppgaver der tekst kombineres med visuelt materiale eller lyd.
Googles spesifikasjoner oppgir tekst, bilder, video, lyd og PDF. I den gjeldende Ailoot API-katalogen er tekst og bilder oppgitt som inndata for tekstmetoder, og tekst som utdata. Video, lyd og PDF inngår ikke i dette settet med inndata. Den lange konteksten rommer opptil 1 048 576 inndatatokener, og tekstsvaret opptil 65 536 utdatatokener. Forståelse av bilder og lyd innebærer ikke generering av dem: denne versjonen gir fortsatt tekst som utdata.
Thinking gir mulighet til å sette av ekstra innsats til intern resonnering. I modusen Google beskriver for grunnmodellen, er standardnivået high; low, medium og high er tilgjengelige. Disse verdiene beskriver Googles grunnmodell; modus og muligheten for styring gjennom Ailoot API avhenger av valgt metode og modellvariant. Viktige bruksområder omfatter krevende programmering, algoritmeutvikling, strategisk planlegging og trinnvis forbedring av løsninger. Dette er særlig nyttig når flere sammenhengende krav må tas hensyn til og mellomresultater må vurderes på nytt.
Modellens funksjoner omfatter funksjonskall, kjøring av kode og strukturerte svar. Mellomlagring av kontekst, søkeforankring, Google Maps og bruk av innhold fra nettadresser støttes; satsvis behandling er tilgjengelig. Dette gjør det mulig å bygge en prosess der modellen analyserer data, velger neste verktøy og utarbeider resultatet. Den faktiske tilgjengeligheten til hvert verktøy avhenger av metoden som brukes med modellen.
Kortet gjelder forhåndsversjonen gemini-3.1-pro-preview. Den bygger på Gemini 3 Pro. Produsenten skiller også ut varianten gemini-3.1-pro-preview-customtools, som er rettet mot arbeidsflyter med kommandoskall og egendefinerte verktøy. Dens prioriteringer ved verktøyvalg og atferd er ikke egenskaper ved den vanlige Preview-versjonen.
De generelle begrensningene fra grunnmodellrekken gjelder fortsatt: svar kan inneholde oppdiktede opplysninger, og enkelte forespørsler kan gå tregt eller ende med tidsavbrudd. Resonnering i flere trinn, stor kontekst og tilgang til data hjelper med krevende oppgaver, men gjør ikke hver generert slutning til et etterprøvd faktum.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.1-pro-high | 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] | Inndata0,002 USD | Utdata0,012 USD | Lesing fra hurtigbuffer0,0002 USD | Skriving til hurtigbufferGrunnsats: — | Hurtigbuffer 5 minGrunnsats: — | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(200 000; ∞) | Inndata0,004 USD | Utdata0,018 USD | Lesing fra hurtigbuffer0,0004 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 →
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-3.1-pro-high", "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-3.1-pro-high", "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-3.1-pro-high",\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-3.1-pro-high",\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-3.1-pro-high',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-3.1-pro-high
Bruk metodestiene som vises ovenfor.
gemini-3.1-pro-highEn multimodal Google-modell for krevende programmeringsoppgaver, analyse av omfattende materiale og presist arbeid med verktøy i flere trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.1 Pro Preview er laget for arbeid med krevende materiale og oppgaver som krever flere beslutninger i rekkefølge. Google fremhever programvareutvikling, verktøybruk og konsistens i faktabaserte svar. Modellen hjelper med å analysere store datasett, hele koderepositorier og oppgaver der tekst kombineres med visuelt materiale eller lyd.
Googles spesifikasjoner oppgir tekst, bilder, video, lyd og PDF. I den gjeldende Ailoot API-katalogen er tekst og bilder oppgitt som inndata for tekstmetoder, og tekst som utdata. Video, lyd og PDF inngår ikke i dette settet med inndata. Den lange konteksten rommer opptil 1 048 576 inndatatokener, og tekstsvaret opptil 65 536 utdatatokener. Forståelse av bilder og lyd innebærer ikke generering av dem: denne versjonen gir fortsatt tekst som utdata.
Thinking gir mulighet til å sette av ekstra innsats til intern resonnering. I modusen Google beskriver for grunnmodellen, er standardnivået high; low, medium og high er tilgjengelige. Disse verdiene beskriver Googles grunnmodell; modus og muligheten for styring gjennom Ailoot API avhenger av valgt metode og modellvariant. Viktige bruksområder omfatter krevende programmering, algoritmeutvikling, strategisk planlegging og trinnvis forbedring av løsninger. Dette er særlig nyttig når flere sammenhengende krav må tas hensyn til og mellomresultater må vurderes på nytt.
Modellens funksjoner omfatter funksjonskall, kjøring av kode og strukturerte svar. Mellomlagring av kontekst, søkeforankring, Google Maps og bruk av innhold fra nettadresser støttes; satsvis behandling er tilgjengelig. Dette gjør det mulig å bygge en prosess der modellen analyserer data, velger neste verktøy og utarbeider resultatet. Den faktiske tilgjengeligheten til hvert verktøy avhenger av metoden som brukes med modellen.
Kortet gjelder forhåndsversjonen gemini-3.1-pro-preview. Den bygger på Gemini 3 Pro. Produsenten skiller også ut varianten gemini-3.1-pro-preview-customtools, som er rettet mot arbeidsflyter med kommandoskall og egendefinerte verktøy. Dens prioriteringer ved verktøyvalg og atferd er ikke egenskaper ved den vanlige Preview-versjonen.
De generelle begrensningene fra grunnmodellrekken gjelder fortsatt: svar kan inneholde oppdiktede opplysninger, og enkelte forespørsler kan gå tregt eller ende med tidsavbrudd. Resonnering i flere trinn, stor kontekst og tilgang til data hjelper med krevende oppgaver, men gjør ikke hver generert slutning til et etterprøvd faktum.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-3.1-pro-high | 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] | Inndata0,002 USD | Utdata0,012 USD | Lesing fra hurtigbuffer0,0002 USD | Skriving til hurtigbufferGrunnsats: — | Hurtigbuffer 5 minGrunnsats: — | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(200 000; ∞) | Inndata0,004 USD | Utdata0,018 USD | Lesing fra hurtigbuffer0,0004 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 →
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-3.1-pro-high: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-3.1-pro-high: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-3.1-pro-high", 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-3.1-pro-high", 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-3.1-pro-high',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-3.1-pro-high
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Plan a dependency-constrained move\n\nA lab move has these constraints: archive samples before unplugging the freezer; test the backup freezer before moving samples; restore temperature monitoring before accepting new samples. Staff propose unplugging first to save time. Produce an ordered checklist, flag the unsafe proposed step and specify evidence needed before accepting new samples. Use only the supplied constraints.An ordered checklist, one identified conflict and an acceptance-evidence item.The checklist must place backup testing and sample protection before unplugging and monitoring before intake.