Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
", "aboutText": "Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.\n\nFor en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.\n\nFor mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.\n\nDokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.\n\nMigreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.\n\nFor multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.\n\nGemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.\n\nMulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Diagnose an unsaved form value\n\nReview this form flow: the input displays draft.name; typing updates draft.name; Save sends original.name; after reload the old name reappears. Explain the mismatch and propose a minimal correction in framework-neutral pseudocode. Include a regression scenario that types a new name, saves, reloads, and checks the stored value. Do not claim any browser action occurred.A cause explanation, corrected Save pseudocode and an end-to-end regression scenario.The submitted value comes from the edited draft, and the reload check verifies persistence rather than just the visible input.gemini-3.8-flashGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.8-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 Model-specific | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Model-specific | 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 Model-specific | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Model-specific | 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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1beta/models/{model}:generateContenttext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltpath.model | Typestring | KravPåkrevd | Verdier & grenser gemini-3.8-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 Model-specific | Standard— |
FeltgenerationConfig.temperature | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FeltgenerationConfig.topP | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FeltgenerationConfig.topK | Typeinteger | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FeltgenerationConfig.stopSequences | Typestring[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FeltgenerationConfig.thinkingConfig.includeThoughts | Typeboolean | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FeltgenerationConfig.thinkingConfig.thinkingBudget | Typeinteger | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttools[].functionDeclarations | Typefunction_declaration[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FelttoolConfig.functionCallingConfig.mode | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
FeltsafetySettings | Typeobject[] | KravValgfritt | Verdier & grenser Model-specific | 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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Model-specific | 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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.8-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 $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
google/gemini-3.8-flashGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-3.8-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. Model-specific | 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 Model-specific | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Model-specific | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Model-specific | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Model-specific | 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 Model-specific | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Model-specific | 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-3.8-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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
google/gemini-3.8-flashGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-3.8-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 $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemini-3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.8-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-3.8-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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
~google/gemini-flash-latestGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser ~google/gemini-flash-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: These roles are explicitly represented by Source compatibility types; the exact model role set remains model-specific. Model-specific | 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; use actual returned ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Round-trip actual returned reasoning where this model uses it | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Model-specific | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Model-specific | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Model-specific | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: function tool supplied | 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 Model-specific | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Model-specific | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options is rejected on this Ultra text route | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h is rejected in actual prompt-cache locations | Standard— |
Tekst · UTF8 text
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemessage array with role/content shape |
Parameterfile_material | Avtaleactual UTF-8 document inserted as literal text; no file ID inferred |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodel-specific; user function tools differ from hosted tools |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send exact model ID with messages.
Context length is not an output cap.
A text file may supply literal text; image/audio/file-object inputs need exact 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-flash-latest", "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-flash-latest',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-flash-latest',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 or SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.
Keep request/response IDs and headers. No generic text job retrieval URL is supplied.
| 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 | VilkårInvalid required fields, material representation or parameter value | Neste trinnCorrect the indicated fields before a new creation request. |
Ailoot gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
~google/gemini-flash-latestGemini 3.8 Flash er Googles multimodale arbeidsmodell for vedvarende programvareutvikling, agenter og komplekse kunnskapsoppgaver. Den godtar tekst, bilder, lyd, video og PDF, returnerer tekst og tilbyr resonnering på low, medium eller high med verktøy og strukturerte utdata. Dokumenterte inndata-/utdatagrenser er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash er Googles modell med tekstutdata for vedvarende programvareutvikling, flertrinnsagenter og komplekse kunnskapsprosesser. Den bygger på Gemini 3.7 Flash, med forbedringer i programvareutvikling og agentbasert kunnskapsarbeid. Den godtar tekst, bilder, lyd, video og PDF, slik at en oppgave kan kombinere et skriftlig mål med det faktiske materialet som trengs for å løse den. Det nyttige resultatet er en kodeendring, en forklart analyse, et skriftlig svar eller en strukturert post.
For en kodeoppgave oppgis kravet, relevante filer, observert oppførsel og begrensningene som skal bevares. Et skjermbilde kan etablere det tiltenkte grensesnittet, mens logger eller et reproduksjonseksempel viser feilen. For en feilsøkingsoppgave bes modellen spore et avvik mellom et skjemas synlige tilstand og den lagrede verdien, identifisere den ansvarlige kodebanen og foreslå en fokusert korrigering. Hold den tiltenkte sluttleveransen tydelig, slik at en lengre sekvens av undersøkelse og verktøybruk fortsatt har en konkret fullføringsbetingelse.
For mer langvarig arbeid brukes mindre resonneringstrinn, iterative verktøykall og kontroll av mellomresultater. Tenkningsnivåene low, medium og high styrer mengden resonnering; medium er den dokumenterte standarden. Low passer et raskt utkast eller en avgrenset analyse, mens high er ment for krevende matematikk, koding eller flertrinnsoppgaver. Gemini 3.8 Flash støtter ikke tenkningsnivået minimal. En vedvarende feilsøkingsoppgave og et enkelt feltuttrekk trenger derfor ulike resonneringsvalg fremfor samme innstilling for hver forespørsel.
Dokumenterte verktøy omfatter funksjonskall, kodekjøring, filsøk, søkeforankring, Google Maps-forankring og URL-kontekst, med Computer Use oppført som en forhåndsvisningsfunksjon. Strukturerte utdata definerer et maskinlesbart resultat. Funksjoner bør ha et tydelig formål og en parameterdefinisjon: modellen kan be om en funksjon, mens den tilkoblede applikasjonen utfører operasjonen og returnerer resultatet. Behold funksjonsidentiteter og det faktiske returnerte materialet på tvers av samtalerunder. Et nyttig sluttsvar forklarer hvilket grunnlag som støtter den foreslåtte korrigeringen eller den uttrukne verdien.
Migreringsveiledningen for 3.8 bruker kontroller for tenkningsnivå i stedet for eldre resonneringsbudsjettkonfigurasjon og anbefaler å fjerne foreldede samplingsparametere og forhåndsutfylte modellmeldinger. Den krever også at tankesignaturer bevares i den relevante tilstandsløse prosessen, og at funksjonssvar kobles til kallene etter identitet og navn. Dette er viktig når en flertrinnsoppgave fortsettes: neste samtalerunde trenger den faktiske tidligere konteksten fremfor en omskrevet redegjørelse som mister verktøyresultatet eller signaturen. Angi spørsmålet og ønsket utdata tydelig i den nye brukermeldingen.
For multimodalt kunnskapsarbeid identifiseres relevante dokumentsider, diagrammet, lydintervallet eller videohendelsen, og det angis hvordan materialet skal bidra til svaret. En dokumentsammenligning kan be om en tabell over forskjeller med kildeavsnitt; et diagramspørsmål kan be om synlige verdier og konklusjonen de støtter. En videoanalyse kan be om en beskrivelse av hendelsene som begrunner en observasjon. Modellen returnerer tekst fra disse inndataene. Genererte bilder, tale og Live-lydsamspill tilhører separate modellprofiler.
Gemini API-grensene er 1048576 inndatatokener og 65536 utdatatokener, tilsvarende den innebygde modellens kontekst på opptil 1M og tekstutdata på 64K. Instruksjoner, samtalehistorikk og oppgitte medier bruker inndatakontekst, og resonnering eller en lang sluttleveranse må passe innenfor det dokumenterte utdataomfanget. Google oppgir også bufring, batchbehandling, Flex- og Priority-behandling for denne produsentprofilen. For uavhengige elementer beholdes en stabil elementidentifikator og et uttrykkelig utdataformat, slik at hvert resultat forblir koblet til kilden.
Mulige begrensninger omfatter hallusinasjoner, sporadisk treghet eller tidsavbrudd og større tokenbruk ved høyere innsats. Kunnskapsgrensen er mars 2026, mens noen fagområder fortsatt er begrenset til januar 2025. Oppgi oppdatert grunnlag eller bruk de dokumenterte forankringsverktøyene når oppgaven avhenger av senere informasjon. Vurder kildehenvisninger, beregninger og foreslått kode mot de faktiske inndataene og kjøringsresultatene. Den endelige nyttige leveransen bør skille en underbygd observasjon fra et uavklart spørsmål uten å anta at et flytende svar fastslår det ønskede utfallet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser ~google/gemini-flash-latest | 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 text
messages[].content string
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleRead the actual UTF-8 document and put its text in the indicated input or message content string. |
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 $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "~google/gemini-flash-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-flash-latest', '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-flash-latest', '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 or SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.
Keep request/response IDs and headers. No generic text job retrieval URL is supplied.
| 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 | VilkårInvalid required fields, material representation or parameter value | Neste trinnCorrect the indicated fields before a new creation request. |
Ailoot gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
Teknisk eksempel på engelsk
Diagnose an unsaved form value\n\nReview this form flow: the input displays draft.name; typing updates draft.name; Save sends original.name; after reload the old name reappears. Explain the mismatch and propose a minimal correction in framework-neutral pseudocode. Include a regression scenario that types a new name, saves, reloads, and checks the stored value. Do not claim any browser action occurred.A cause explanation, corrected Save pseudocode and an end-to-end regression scenario.The submitted value comes from the edited draft, and the reload check verifies persistence rather than just the visible input.