Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
", "aboutText": "Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.\n\nUtviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.\n\nFor en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.\n\nDe dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.\n\nDen konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.\n\nDenne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.\n\nGoogles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.\n\nMulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Match a written panel specification\n\nCompare this panel specification with its CSS. Specification: title above the form; labels remain visible; error text appears below its field. CSS: .panel{display:flex;flex-direction:column-reverse} .field label{display:none}. Explain the mismatches and propose the smallest CSS and markup corrections. Give inspection checks for normal and error states using the supplied written requirements.A mismatch list, focused CSS/markup changes and normal/error-state inspection checks.Check that each proposed change maps to a stated requirement without redesigning other elements.gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal resonnering med koding og agentarbeid i flere trinn. Googles 3.7-profil fremhever samsvar med designutkast og agentbasert videoforståelse, med resonneringsnivåene low, medium og high. Den tar imot tekst og medier, returnerer tekst og har dokumenterte inn- og utdatagrenser på 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.7-flash | 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 | Kostnad |
|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${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-3.7-flash", "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-3.7-flash", "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-3.7-flash",\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-3.7-flash",\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-3.7-flash',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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal resonnering med koding og agentarbeid i flere trinn. Googles 3.7-profil fremhever samsvar med designutkast og agentbasert videoforståelse, med resonneringsnivåene low, medium og high. Den tar imot tekst og medier, returnerer tekst og har dokumenterte inn- og utdatagrenser på 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-3.7-flash | 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 | Kostnad |
|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${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-3.7-flash: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-3.7-flash: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-3.7-flash", 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-3.7-flash", 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-3.7-flash',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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal resonnering med koding og agentarbeid i flere trinn. Googles 3.7-profil fremhever samsvar med designutkast og agentbasert videoforståelse, med resonneringsnivåene low, medium og high. Den tar imot tekst og medier, returnerer tekst og har dokumenterte inn- og utdatagrenser på 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.7-flash | 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 $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.7-flash","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-3.7-flash", 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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal resonnering med koding og agentarbeid i flere trinn. Googles 3.7-profil fremhever samsvar med designutkast og agentbasert videoforståelse, med resonneringsnivåene low, medium og high. Den tar imot tekst og medier, returnerer tekst og har dokumenterte inn- og utdatagrenser på 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.7-flash | 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 $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-flash', '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-3.7-flash', '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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
google/gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal resonnering med koding og agentarbeid i flere trinn. Googles 3.7-profil fremhever samsvar med designutkast og agentbasert videoforståelse, med resonneringsnivåene low, medium og high. Den tar imot tekst og medier, returnerer tekst og har dokumenterte inn- og utdatagrenser på 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-3.7-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.7-flash", "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-3.7-flash',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-3.7-flash',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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
google/gemini-3.7-flashGemini 3.7 Flash kombinerer multimodal resonnering med koding og agentarbeid i flere trinn. Googles 3.7-profil fremhever samsvar med designutkast og agentbasert videoforståelse, med resonneringsnivåene low, medium og high. Den tar imot tekst og medier, returnerer tekst og har dokumenterte inn- og utdatagrenser på 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.7 Flash er Googles navngitte multimodale resonneringsprofil for koding, agentbaserte arbeidsflyter og gjennomføring i flere trinn. Den bygger på Gemini 3.6 Flash, med algoritmiske endringer i resonneringen og støtte for agentbasert videoforståelse. Tekst, bilder, lyd, video og PDF kan være kildemateriale for et tekstresultat. Nyttige leveranser omfatter en avgrenset kodeendring, en sammenligning mellom et designutkast og en implementasjon eller en kildeforankret analyse av hendelser i et opptak.
Utviklerveiledningen for 3.7 fremhever bedre samsvar med design i arbeid for skrivebord og nett. Oppgi det tiltenkte utkastet, den relevante kildekoden og det observerbare avviket for en slik oppgave. Be om en sammenligning av konkrete elementer som avstander, komponenttilstander, teksthierarki eller interaksjonsatferd. Ved en designsammenligning kan du be om en liste over avvik mellom utkastet til et innstillingspanel og den eksisterende implementasjonen, med hver foreslåtte rettelse knyttet til skjermbildet eller kildekoden. Resultatet bør vise hva som må endres, uten å utvide designet utover de oppgitte kravene i det stille.
For en kodearbeidsflyt oppgir du målet, eksisterende atferd, relevante filer og begrensninger. Google posisjonerer 3.7 for å løse programvareproblemer og redusere mislykkede agentsløyfer, men en nyttig gjennomgang kontrollerer fortsatt den faktiske endringen og valideringsresultatet. Behold rekkefølgen av verktøyobservasjoner i samtalen, slik at et senere trinn ikke starter med en oppdiktet beskrivelse av kodebasen. Sluttresultatet kan skille mellom en foreslått endring og en endring som er bekreftet gjennom verktøyene i den tilkoblede applikasjonen.
De dokumenterte resonneringsnivåene er low, medium og high, med medium som standard. Low gir raskere, avgrensede svar, mens high er beregnet på vanskelig resonnering og omfattende verktøyarbeid. Gemini 3.7 Flash støtter ikke minimal resonnering. En kort analyse av ett grensesnittavvik og en grundigere undersøkelse av flere filer krever derfor ulike valg av innsatsnivå. Definer den endelige leveransen og betingelsene den må oppfylle, før du ber om en lengre rekke med resonnering og handlinger.
Den konkrete modellsiden oppgir funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring og URL-kontekst. Computer Use er merket som forhåndsversjon, og strukturerte utdata kan definere en resultatpost. En funksjonsforespørsel er en foreslått operasjon som den tilkoblede applikasjonen skal utføre og returnere resultatet av. Gi verktøyet et tydelig formål i en agentoppgave, og behold det reelle resultatet før du ber modellen fortsette. Ved uttrekk fra et dokument definerer du feltene, akseptable verdier og hvordan manglende informasjon skal representeres.
Denne utgaven støtter agentbasert videoforståelse. Oppgi det relevante opptaket og angi hendelsen eller sammenhengen som skal undersøkes. En praktisk instruks kan spørre hvilken synlig handling som forklarer en tilstandsendring, eller be om en ordnet beskrivelse av hendelser med belegg fra klippet. Bilder og PDF-sider kan på samme måte støtte en visuell sammenligning eller dokumentsammenligning. Utdataene er fortsatt tekst: tolkning, uttrekk av data, kode eller en skriftlig forklaring. Generert video, illustrasjoner eller tale hører til egne modellprofiler.
Googles konkrete API-tabell for 3.7 angir 1048576 inndatatokener og 65536 utdatatokener, mens det opprinnelige modellkortet beskriver opptil 1M kontekst og 64K tekstutdata. Ta med instruksjoner, tidligere samtalerunder og tilførte medier når inndataene forberedes. Batchbehandling og hurtigbufring er oppført for produsentprofilen sammen med Flex- og Priority-alternativer. For en samling uavhengige forespørsler bør kildeidentifikatorer og et konsekvent resultatformat beholdes, slik at hvert svar kan kontrolleres mot sine egne inndata.
Mulige begrensninger omfatter hallusinasjoner og sporadisk treghet eller tidsavbrudd. Kunnskapsgrensen er mars 2026, med enkelte fagområder begrenset til januar 2025. Oppgi aktuelt kildemateriale når en konklusjon avhenger av nyere fakta. Det nyttige særtrekket ved utgaven er det dokumenterte fokuset på programvareproblemer, etterlevelse av design og resonnering om video. Kontroller resultatene mot det faktiske utkastet, koden eller mediene fremfor å erstatte en navngitt historisk profil med nyere funksjoner.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-3.7-flash | 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 $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemini-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-flash', '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-3.7-flash', '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-3.7-flash
Ailoot Ultra gemini-3.7-flash, google/gemini-3.7-flash
/chat/completions
Teknisk eksempel på engelsk
Match a written panel specification\n\nCompare this panel specification with its CSS. Specification: title above the form; labels remain visible; error text appears below its field. CSS: .panel{display:flex;flex-direction:column-reverse} .field label{display:none}. Explain the mismatches and propose the smallest CSS and markup corrections. Give inspection checks for normal and error states using the supplied written requirements.A mismatch list, focused CSS/markup changes and normal/error-state inspection checks.Check that each proposed change maps to a stated requirement without redesigning other elements.