Gemini 3.5 Flash er Googles multimodale Flash-modellprofil for vedvarende koding og agentarbeid. De dokumenterte inndataene er tekst, bilder, video, lyd og PDF, med tekst som utdata. Modellens oppgavefokus omfatter iterativ koding, utforsking av alternative løsninger og lengre sekvenser av instruksjoner og verktøybruk. 3.5-utgaven tilbyr dokumenterte kontroller for resonnering, multimodale inndata og verktøyarbeidsflyter.
En kodeoppgave kan kombinere et skriftlig krav, relevante kildefiler og et skjermbilde av det tiltenkte resultatet. Oppgi den observerte atferden, forventet atferd og begrensningene som må bevares. Et illustrerende oppdrag er: «Sammenlign skjermbildet med komponentteksten, identifiser avviket i skjemaets arbeidsflyt, og foreslå én målrettet rettelse. Forklar hvilke detaljer i kilden som begrunner endringen.» Ved en dokumentoppgave oppgir du de relevante sidene og ber om en sammenligning mot eksplisitte krav, med kildereferanser for hvert funn.
Utgaven dokumenterer resonneringsnivåene minimal, low, medium og high. Medium er standard, endret fra standardnivået high i Gemini 3 Flash Preview. Minimal passer til enkle svar og ukompliserte verktøyvalg uten å garantere at resonnering er helt deaktivert; low retter seg mot oppgaver som trenger færre trinn; high gir dypere resonnering for vanskelige problemer innen matematikk, koding og agenter. Google anbefaler å bruke thinking_level til å styre innsatsen og å beholde standardinnstillingene for sampling fremfor å forsøke å tvinge frem resonnering ved å endre temperature, top-p eller top-k.
En definerende atferd er bevaring av resonneringskontekst gjennom en oppgave med flere samtalerunder. Googles Interactions-arbeidsflyt viderefører denne konteksten automatisk; GenerateContent-arbeidsflyten krever hele den uendrede samtalehistorikken, inkludert resonneringssignaturer. Dette støtter en pågående oppgave med feilsøking eller refaktorering der tidligere resonnering informerer neste trinn. Behold den faktiske samtalestrukturen fremfor å gjøre hver oppfølging til en urelatert instruks, og hold den endelige leveransen tydelig etter hvert som arbeidet går fremover.
Det dokumenterte verktøysettet inkluderer Google Search, forankring med Google Maps, filsøk, kodekjøring, URL-kontekst og vanlige funksjonskall, med kombinert verktøybruk og Computer Use merket som en forhåndsversjon. Strukturerte utdata kan gi en definert datapost. Gi funksjoner et tydelig formål og en parameterdefinisjon: modellen velger en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Google krever at funksjonsresultater samsvarer med de foregående kallene etter identitet, navn og antall; multimodale resultater hører hjemme i funksjonssvaret.
Den konkrete API-modelltabellen oppgir maksimalt 1048576 inndatatokener og 65536 utdatatokener. Samtalehistorikken og tilførte medier inngår i inndatabudsjettet. Hurtigbufring og batchbehandling er dokumentert for profilen, med ytterligere Flex- og Priority-behandlingsalternativer i Googles tabell. Disse grensene og egenskapene beskriver produsentutgaven; de krever ikke at et svar fyller hele utdatavinduet eller at alle verktøy er nødvendige for en oppgave.
Denne profilen genererer tekst fremfor bilder eller lyd og bruker ikke Live API. Utviklerveiledningen utelukker også bildesegmentering. Ved et visuelt spørsmål ber du om en beskrivelse, et uttrekk eller en tolkning av det oppgitte materialet; ved et taleopptak ber du om et tekstresultat. Når svaret avhenger av nyere informasjon, kan den dokumenterte arbeidsflyten for forankring i søk tilføre kilder utover treningskunnskapen. Angi om ekstern informasjon trengs, og hvilket belegg det endelige svaret skal beholde.
For en nyttig lengre oppgave definerer du sluttresultatet og fullføringskriteriet før første trinn. En støtteanalyse kan be om en tabell med observerte problemer, støttende passasjer og et foreslått svar; en kodeoppgave kan kreve den målrettede endringen og det relevante valideringsresultatet. Legg ved kildekonteksten som er viktig, spesifiser tillatte verktøyhandlinger, og be om et eksplisitt sluttsvar som skiller fullført arbeid fra spørsmål som fortsatt trenger informasjon. Dette gjør modellens vedvarende arbeidsflyt til en konkret tekst-, kode- eller strukturert leveranse.
", "aboutText": "Gemini 3.5 Flash er Googles multimodale Flash-modellprofil for vedvarende koding og agentarbeid. De dokumenterte inndataene er tekst, bilder, video, lyd og PDF, med tekst som utdata. Modellens oppgavefokus omfatter iterativ koding, utforsking av alternative løsninger og lengre sekvenser av instruksjoner og verktøybruk. 3.5-utgaven tilbyr dokumenterte kontroller for resonnering, multimodale inndata og verktøyarbeidsflyter.\n\nEn kodeoppgave kan kombinere et skriftlig krav, relevante kildefiler og et skjermbilde av det tiltenkte resultatet. Oppgi den observerte atferden, forventet atferd og begrensningene som må bevares. Et illustrerende oppdrag er: «Sammenlign skjermbildet med komponentteksten, identifiser avviket i skjemaets arbeidsflyt, og foreslå én målrettet rettelse. Forklar hvilke detaljer i kilden som begrunner endringen.» Ved en dokumentoppgave oppgir du de relevante sidene og ber om en sammenligning mot eksplisitte krav, med kildereferanser for hvert funn.\n\nUtgaven dokumenterer resonneringsnivåene minimal, low, medium og high. Medium er standard, endret fra standardnivået high i Gemini 3 Flash Preview. Minimal passer til enkle svar og ukompliserte verktøyvalg uten å garantere at resonnering er helt deaktivert; low retter seg mot oppgaver som trenger færre trinn; high gir dypere resonnering for vanskelige problemer innen matematikk, koding og agenter. Google anbefaler å bruke thinking_level til å styre innsatsen og å beholde standardinnstillingene for sampling fremfor å forsøke å tvinge frem resonnering ved å endre temperature, top-p eller top-k.\n\nEn definerende atferd er bevaring av resonneringskontekst gjennom en oppgave med flere samtalerunder. Googles Interactions-arbeidsflyt viderefører denne konteksten automatisk; GenerateContent-arbeidsflyten krever hele den uendrede samtalehistorikken, inkludert resonneringssignaturer. Dette støtter en pågående oppgave med feilsøking eller refaktorering der tidligere resonnering informerer neste trinn. Behold den faktiske samtalestrukturen fremfor å gjøre hver oppfølging til en urelatert instruks, og hold den endelige leveransen tydelig etter hvert som arbeidet går fremover.\n\nDet dokumenterte verktøysettet inkluderer Google Search, forankring med Google Maps, filsøk, kodekjøring, URL-kontekst og vanlige funksjonskall, med kombinert verktøybruk og Computer Use merket som en forhåndsversjon. Strukturerte utdata kan gi en definert datapost. Gi funksjoner et tydelig formål og en parameterdefinisjon: modellen velger en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Google krever at funksjonsresultater samsvarer med de foregående kallene etter identitet, navn og antall; multimodale resultater hører hjemme i funksjonssvaret.\n\nDen konkrete API-modelltabellen oppgir maksimalt 1048576 inndatatokener og 65536 utdatatokener. Samtalehistorikken og tilførte medier inngår i inndatabudsjettet. Hurtigbufring og batchbehandling er dokumentert for profilen, med ytterligere Flex- og Priority-behandlingsalternativer i Googles tabell. Disse grensene og egenskapene beskriver produsentutgaven; de krever ikke at et svar fyller hele utdatavinduet eller at alle verktøy er nødvendige for en oppgave.\n\nDenne profilen genererer tekst fremfor bilder eller lyd og bruker ikke Live API. Utviklerveiledningen utelukker også bildesegmentering. Ved et visuelt spørsmål ber du om en beskrivelse, et uttrekk eller en tolkning av det oppgitte materialet; ved et taleopptak ber du om et tekstresultat. Når svaret avhenger av nyere informasjon, kan den dokumenterte arbeidsflyten for forankring i søk tilføre kilder utover treningskunnskapen. Angi om ekstern informasjon trengs, og hvilket belegg det endelige svaret skal beholde.\n\nFor en nyttig lengre oppgave definerer du sluttresultatet og fullføringskriteriet før første trinn. En støtteanalyse kan be om en tabell med observerte problemer, støttende passasjer og et foreslått svar; en kodeoppgave kan kreve den målrettede endringen og det relevante valideringsresultatet. Legg ved kildekonteksten som er viktig, spesifiser tillatte verktøyhandlinger, og be om et eksplisitt sluttsvar som skiller fullført arbeid fra spørsmål som fortsatt trenger informasjon. Dette gjør modellens vedvarende arbeidsflyt til en konkret tekst-, kode- eller strukturert leveranse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "48d3e5c05157f888abc5649e08d74080ad5b5ea3b9341bdc243b9fb21e5816be", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "gemini-3.5-flash-thinkingGemini 3.5 Flash kombinerer multimodal forståelse med resonnering for koding og agentoppgaver i flere trinn. Den tar imot tekst, bilder, video, lyd og PDF og produserer tekst, med strukturerte utdata, verktøy og en inndatagrense på 1048576 tokener i den dokumenterte profilen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash er Googles multimodale Flash-modellprofil for vedvarende koding og agentarbeid. De dokumenterte inndataene er tekst, bilder, video, lyd og PDF, med tekst som utdata. Modellens oppgavefokus omfatter iterativ koding, utforsking av alternative løsninger og lengre sekvenser av instruksjoner og verktøybruk. 3.5-utgaven tilbyr dokumenterte kontroller for resonnering, multimodale inndata og verktøyarbeidsflyter.
En kodeoppgave kan kombinere et skriftlig krav, relevante kildefiler og et skjermbilde av det tiltenkte resultatet. Oppgi den observerte atferden, forventet atferd og begrensningene som må bevares. Et illustrerende oppdrag er: «Sammenlign skjermbildet med komponentteksten, identifiser avviket i skjemaets arbeidsflyt, og foreslå én målrettet rettelse. Forklar hvilke detaljer i kilden som begrunner endringen.» Ved en dokumentoppgave oppgir du de relevante sidene og ber om en sammenligning mot eksplisitte krav, med kildereferanser for hvert funn.
Utgaven dokumenterer resonneringsnivåene minimal, low, medium og high. Medium er standard, endret fra standardnivået high i Gemini 3 Flash Preview. Minimal passer til enkle svar og ukompliserte verktøyvalg uten å garantere at resonnering er helt deaktivert; low retter seg mot oppgaver som trenger færre trinn; high gir dypere resonnering for vanskelige problemer innen matematikk, koding og agenter. Google anbefaler å bruke thinking_level til å styre innsatsen og å beholde standardinnstillingene for sampling fremfor å forsøke å tvinge frem resonnering ved å endre temperature, top-p eller top-k.
En definerende atferd er bevaring av resonneringskontekst gjennom en oppgave med flere samtalerunder. Googles Interactions-arbeidsflyt viderefører denne konteksten automatisk; GenerateContent-arbeidsflyten krever hele den uendrede samtalehistorikken, inkludert resonneringssignaturer. Dette støtter en pågående oppgave med feilsøking eller refaktorering der tidligere resonnering informerer neste trinn. Behold den faktiske samtalestrukturen fremfor å gjøre hver oppfølging til en urelatert instruks, og hold den endelige leveransen tydelig etter hvert som arbeidet går fremover.
Det dokumenterte verktøysettet inkluderer Google Search, forankring med Google Maps, filsøk, kodekjøring, URL-kontekst og vanlige funksjonskall, med kombinert verktøybruk og Computer Use merket som en forhåndsversjon. Strukturerte utdata kan gi en definert datapost. Gi funksjoner et tydelig formål og en parameterdefinisjon: modellen velger en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Google krever at funksjonsresultater samsvarer med de foregående kallene etter identitet, navn og antall; multimodale resultater hører hjemme i funksjonssvaret.
Den konkrete API-modelltabellen oppgir maksimalt 1048576 inndatatokener og 65536 utdatatokener. Samtalehistorikken og tilførte medier inngår i inndatabudsjettet. Hurtigbufring og batchbehandling er dokumentert for profilen, med ytterligere Flex- og Priority-behandlingsalternativer i Googles tabell. Disse grensene og egenskapene beskriver produsentutgaven; de krever ikke at et svar fyller hele utdatavinduet eller at alle verktøy er nødvendige for en oppgave.
Denne profilen genererer tekst fremfor bilder eller lyd og bruker ikke Live API. Utviklerveiledningen utelukker også bildesegmentering. Ved et visuelt spørsmål ber du om en beskrivelse, et uttrekk eller en tolkning av det oppgitte materialet; ved et taleopptak ber du om et tekstresultat. Når svaret avhenger av nyere informasjon, kan den dokumenterte arbeidsflyten for forankring i søk tilføre kilder utover treningskunnskapen. Angi om ekstern informasjon trengs, og hvilket belegg det endelige svaret skal beholde.
For en nyttig lengre oppgave definerer du sluttresultatet og fullføringskriteriet før første trinn. En støtteanalyse kan be om en tabell med observerte problemer, støttende passasjer og et foreslått svar; en kodeoppgave kan kreve den målrettede endringen og det relevante valideringsresultatet. Legg ved kildekonteksten som er viktig, spesifiser tillatte verktøyhandlinger, og be om et eksplisitt sluttsvar som skiller fullført arbeid fra spørsmål som fortsatt trenger informasjon. Dette gjør modellens vedvarende arbeidsflyt til en konkret tekst-, kode- eller strukturert leveranse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-flash-thinking | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.5-flash-thinking","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-thinking", 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 Ultra gemini-3.5-flash-thinking
/chat/completions
gemini-3.5-flash-thinkingGemini 3.5 Flash kombinerer multimodal forståelse med resonnering for koding og agentoppgaver i flere trinn. Den tar imot tekst, bilder, video, lyd og PDF og produserer tekst, med strukturerte utdata, verktøy og en inndatagrense på 1048576 tokener i den dokumenterte profilen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Flash er Googles multimodale Flash-modellprofil for vedvarende koding og agentarbeid. De dokumenterte inndataene er tekst, bilder, video, lyd og PDF, med tekst som utdata. Modellens oppgavefokus omfatter iterativ koding, utforsking av alternative løsninger og lengre sekvenser av instruksjoner og verktøybruk. 3.5-utgaven tilbyr dokumenterte kontroller for resonnering, multimodale inndata og verktøyarbeidsflyter.
En kodeoppgave kan kombinere et skriftlig krav, relevante kildefiler og et skjermbilde av det tiltenkte resultatet. Oppgi den observerte atferden, forventet atferd og begrensningene som må bevares. Et illustrerende oppdrag er: «Sammenlign skjermbildet med komponentteksten, identifiser avviket i skjemaets arbeidsflyt, og foreslå én målrettet rettelse. Forklar hvilke detaljer i kilden som begrunner endringen.» Ved en dokumentoppgave oppgir du de relevante sidene og ber om en sammenligning mot eksplisitte krav, med kildereferanser for hvert funn.
Utgaven dokumenterer resonneringsnivåene minimal, low, medium og high. Medium er standard, endret fra standardnivået high i Gemini 3 Flash Preview. Minimal passer til enkle svar og ukompliserte verktøyvalg uten å garantere at resonnering er helt deaktivert; low retter seg mot oppgaver som trenger færre trinn; high gir dypere resonnering for vanskelige problemer innen matematikk, koding og agenter. Google anbefaler å bruke thinking_level til å styre innsatsen og å beholde standardinnstillingene for sampling fremfor å forsøke å tvinge frem resonnering ved å endre temperature, top-p eller top-k.
En definerende atferd er bevaring av resonneringskontekst gjennom en oppgave med flere samtalerunder. Googles Interactions-arbeidsflyt viderefører denne konteksten automatisk; GenerateContent-arbeidsflyten krever hele den uendrede samtalehistorikken, inkludert resonneringssignaturer. Dette støtter en pågående oppgave med feilsøking eller refaktorering der tidligere resonnering informerer neste trinn. Behold den faktiske samtalestrukturen fremfor å gjøre hver oppfølging til en urelatert instruks, og hold den endelige leveransen tydelig etter hvert som arbeidet går fremover.
Det dokumenterte verktøysettet inkluderer Google Search, forankring med Google Maps, filsøk, kodekjøring, URL-kontekst og vanlige funksjonskall, med kombinert verktøybruk og Computer Use merket som en forhåndsversjon. Strukturerte utdata kan gi en definert datapost. Gi funksjoner et tydelig formål og en parameterdefinisjon: modellen velger en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Google krever at funksjonsresultater samsvarer med de foregående kallene etter identitet, navn og antall; multimodale resultater hører hjemme i funksjonssvaret.
Den konkrete API-modelltabellen oppgir maksimalt 1048576 inndatatokener og 65536 utdatatokener. Samtalehistorikken og tilførte medier inngår i inndatabudsjettet. Hurtigbufring og batchbehandling er dokumentert for profilen, med ytterligere Flex- og Priority-behandlingsalternativer i Googles tabell. Disse grensene og egenskapene beskriver produsentutgaven; de krever ikke at et svar fyller hele utdatavinduet eller at alle verktøy er nødvendige for en oppgave.
Denne profilen genererer tekst fremfor bilder eller lyd og bruker ikke Live API. Utviklerveiledningen utelukker også bildesegmentering. Ved et visuelt spørsmål ber du om en beskrivelse, et uttrekk eller en tolkning av det oppgitte materialet; ved et taleopptak ber du om et tekstresultat. Når svaret avhenger av nyere informasjon, kan den dokumenterte arbeidsflyten for forankring i søk tilføre kilder utover treningskunnskapen. Angi om ekstern informasjon trengs, og hvilket belegg det endelige svaret skal beholde.
For en nyttig lengre oppgave definerer du sluttresultatet og fullføringskriteriet før første trinn. En støtteanalyse kan be om en tabell med observerte problemer, støttende passasjer og et foreslått svar; en kodeoppgave kan kreve den målrettede endringen og det relevante valideringsresultatet. Legg ved kildekonteksten som er viktig, spesifiser tillatte verktøyhandlinger, og be om et eksplisitt sluttsvar som skiller fullført arbeid fra spørsmål som fortsatt trenger informasjon. Dette gjør modellens vedvarende arbeidsflyt til en konkret tekst-, kode- eller strukturert leveranse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-flash-thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-3.5-flash-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-3.5-flash-thinking
/chat/completions