Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
", "aboutText": "Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.\n\nVed dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.\n\nDe dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.\n\nEn avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.\n\nDen konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.\n\nVeiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.\n\nDet opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.\n\nMulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a support message record\n\nExtract fields from message S-91: "The pump P-28 stopped after ten minutes. I bought two, but only one has this issue. Please arrange a replacement." Return message ID, product code, issue, purchased quantity and affected quantity in a small table. Include the exact supporting phrase for each extracted value.A field/value/evidence table retaining S-91 and separating purchased from affected quantity.Check that two purchased pumps do not become two defective pumps.gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.5-flash-lite", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.5-flash-lite", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-3.5-flash-lite",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-3.5-flash-lite",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='gemini-3.5-flash-lite',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-flash-lite | Standard— |
Feltcontents | Typecontent[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltcontents[].role | Typestring | KravValgfritt | Verdier & grenser user, model | Standard— |
Feltcontents[].parts | Typepart[] | KravPåkrevd | Verdier & grenser | Standard— |
FeltsystemInstruction | Typecontent | KravValgfritt | Verdier & grenser | Standard— |
FeltgenerationConfig.maxOutputTokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsessionId | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Tekst · UTF8-tekst
contents[].parts[].text
Tekst + bilde
parts[].inlineData={mimeType,data}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalecontents |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1beta/models/{model}:generateContentAiloot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.5-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-3.5-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-3.5-flash-lite", contents="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-3.5-flash-lite", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-3.5-flash-lite',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson eller støttet strømming
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle kandidater og deler, inkludert funksjonskall, resonneringssignaturer og bruksdata; sett sammen strømmens biter i rekkefølge.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
FeltresponseId | Typestring |
FeltmodelVersion | Typestring |
Feltcandidates[].content.parts[] | Typetext|inlineData|functionCall|other part |
Feltcandidates[].finishReason | Typestring |
FeltusageMetadata | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.5-flash-lite","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3.5-flash-lite", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-3.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.5-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-3.5-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-flash-lite", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-flash-lite", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-flash-lite",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-flash-lite",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='gemini-flash-lite',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-flash-lite | Standard— |
Feltcontents | Typecontent[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltcontents[].role | Typestring | KravValgfritt | Verdier & grenser user, model | Standard— |
Feltcontents[].parts | Typepart[] | KravPåkrevd | Verdier & grenser | Standard— |
FeltsystemInstruction | Typecontent | KravValgfritt | Verdier & grenser | Standard— |
FeltgenerationConfig.maxOutputTokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsessionId | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Tekst · UTF8-tekst
contents[].parts[].text
Tekst + bilde
parts[].inlineData={mimeType,data}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalecontents |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1beta/models/{model}:generateContentAiloot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-flash-lite:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-flash-lite", contents="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-flash-lite", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-flash-lite',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson eller støttet strømming
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle kandidater og deler, inkludert funksjonskall, resonneringssignaturer og bruksdata; sett sammen strømmens biter i rekkefølge.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
FeltresponseId | Typestring |
FeltmodelVersion | Typestring |
Feltcandidates[].content.parts[] | Typetext|inlineData|functionCall|other part |
Feltcandidates[].finishReason | Typestring |
FeltusageMetadata | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-lite-latestGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-flash-lite-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-flash-lite-latest", "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-flash-lite-latest", "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-flash-lite-latest",\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-flash-lite-latest",\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-flash-lite-latest',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
gemini-flash-lite-latestGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-flash-lite-latest | Standard— |
Feltcontents | Typecontent[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltcontents[].role | Typestring | KravValgfritt | Verdier & grenser user, model | Standard— |
Feltcontents[].parts | Typepart[] | KravPåkrevd | Verdier & grenser | Standard— |
FeltsystemInstruction | Typecontent | KravValgfritt | Verdier & grenser | Standard— |
FeltgenerationConfig.maxOutputTokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
FeltsessionId | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Tekst · UTF8-tekst
contents[].parts[].text
Tekst + bilde
parts[].inlineData={mimeType,data}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalecontents |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1beta/models/{model}:generateContentAiloot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-flash-lite-latest: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-flash-lite-latest: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-flash-lite-latest", 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-flash-lite-latest", 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-flash-lite-latest',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-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
google/gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-3.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.5-flash-lite", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemini-3.5-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemini-3.5-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
google/gemini-3.5-flash-liteGemini 3.5 Flash-Lite er Googles multimodale modell for avgrensede underagentoppgaver, dokumenttolking og gjentatt datauttrekk. Standardnivået minimal for resonnering passer til avgrensede poster; medium eller high er dokumentert for verktøyarbeid i flere trinn. Den returnerer tekst eller strukturerte resultater fra tekst, bilder, lyd, video og PDF.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash-Lite er Googles utførelsesorienterte multimodale tekstprofil for gjentatt dataarbeid og avgrensede underagentoppgaver. Den bygger på Gemini 3.1 Flash-Lite, med bedre dokumentforståelse, verktøypålitelighet og instruksjonsfølging gjennom flere samtalerunder. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst. Et nyttig resultat er én uthentet post, en klassifisering, en kort oversettelse eller en avgrenset verktøystøttet analyse innenfor en større oppgave.
Ved dokumenttolking definerer du feltene som betyr noe, og belegget hvert felt må beholde. Oppgi relevante sider, og spesifiser hvordan fraværende eller tvetydig informasjon skal representeres. Ved uttrekk fra en melding til kundestøtte kan du hente en produktkode, et nevnt problem og en støttende setning og beholde meldingsidentifikatoren i svaret. Et dokument med flere kandidater til et felt skal ikke slå dem sammen til én gjettet verdi uten videre. Strukturert JSON kan gjøre resultatet anvendelig for senere behandling når skjemaet samsvarer med den faktiske oppgaven.
De dokumenterte resonneringsnivåene er minimal, low, medium og high, med minimal som standard. Produsenten anbefaler det for uttrekk, ruting og klassifisering i stort volum, mens medium eller high passer til selvstendig underagentarbeid som involverer verktøykall, kodekjøring eller flere resonneringstrinn. Veiledningen anbefaler spesifikt økt innsats for slike lengre oppgaver for å unngå at verktøybruken avsluttes for tidlig. Uttrekk av ett felt og en dokumentsammenligning med unntak drar derfor nytte av ulike innsatsvalg. Minimal er en støttet innstilling for denne utgaven, ikke en generell innstilling som skal overføres til alle Flash-modeller.
En avgrenset instruks til en underagent bør inneholde én jobb, kildematerialet, tillatte verktøy og den nødvendige sluttformen. Den kan for eksempel undersøke en tabell etter en angitt regel og returnere de berørte radene med relevante verdier. Produsenten fremhever også behandling av tabelldata og frontend-arbeid i JavaScript støttet av lettvekts kodekjøring. Applikasjonen rundt modellen er fortsatt ansvarlig for å kjøre en forespurt funksjon og returnere det reelle resultatet. Hold et ferdig resultat adskilt fra et forslag som ikke er utført, eller et uavklart spørsmål om inndataene.
Den konkrete siden for 3.5 Flash-Lite oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst, med Computer Use merket som forhåndsversjon. Strukturerte utdata og resonnering støttes. For en persona eller oppgave som fortsetter over flere samtalerunder, behold de faktiske instruksjonene og verktøyobservasjonene slik at senere svar følger samme oppdrag. Utviklerveiledningen fremhever mer stabil opprettholdelse av persona enn i 3.1 Flash-Lite. Bruk en kort rolle og en kontrakt for utdata fremfor å omdefinere målet ved hver oppfølging.
Veiledningen markerer også eldre samplingsinnstillinger og forhåndsutfylte siste modellmeldinger som foreldede for denne utgaven. Styr et avgrenset svar med eksplisitte instruksjoner eller et skjema fremfor å forsøke å starte svaret i en syntetisk melding med modellrolle. Behold Gemini 3-konteksten med resonneringssignaturer der grensesnittet krever det, og koble funksjonsresultater til kallene deres. Disse forberedelsesreglene støtter en fortsettelse som fortsatt har belegget som trengs for å fullføre samme jobb.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den konkrete API-siden angir 1048576 inndatatokener og 65536 utdatatokener. Instruksjoner, poster, historikk og medier bidrar alle til forberedelsen av inndata. Hurtigbufring, batch-, Flex- og Priority-alternativer er oppført for produsentprofilen. Ved gjentatte forespørsler bør du bruke stabile identifikatorer og et kompakt, konsekvent svarformat slik at hvert uttrekk kan sammenlignes med kilden. Lyd-, bilde- eller videoinndata gir en teksttolkning eller transkripsjon i denne profilen, fremfor generert tale eller illustrasjoner.
Mulige begrensninger omfatter hallusinasjoner og sporadiske forsinkelser eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Kildeavhengig uttrekk skal returnere det som det oppgitte materialet støtter; spørsmål om aktuelle fakta trenger aktuelt belegg. Sammenlignet med 3.1 Flash-Lite tilfører denne profilen de dokumenterte egenskapene for utførelse og datamaskinbruk, mens 3.6 Flash vektlegger mer kompleks koding og romlig arbeid. Kontroller uthentede felt, verktøyresultater og beholdte instruksjoner før svaret innarbeides i en større arbeidsflyt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-3.5-flash-lite | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0001666666666666666 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemini-3.5-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.5-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.5-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest
Ailoot Ultra gemini-3.5-flash-lite, google/gemini-3.5-flash-lite
/chat/completions
google/gemini-3.5-flash-lite, gemini-flash-lite, gemini-flash-lite-latest, gemini-3.5-flash-lite, gemini-3.5-flash-lite
Teknisk eksempel på engelsk
Extract a support message record\n\nExtract fields from message S-91: "The pump P-28 stopped after ten minutes. I bought two, but only one has this issue. Please arrange a replacement." Return message ID, product code, issue, purchased quantity and affected quantity in a small table. Include the exact supporting phrase for each extracted value.A field/value/evidence table retaining S-91 and separating purchased from affected quantity.Check that two purchased pumps do not become two defective pumps.