Gemini 3 Pro Preview er Googles navngitte forhåndsvariant av Gemini 3 Pro for multimodal resonnering og tekstgenerering. Den kan arbeide med tekst, bilder, lyd, video og PDF-dokumenter og returnere et skriftlig resultat. Tiltenkte bruksområder omfatter kompleks analyse, avansert programmering, algoritmeutvikling og oppgaver som kombinerer et omfattende kildemateriale med et konkret spørsmål.
Gemini 3 Pro er en transformerbasert modell med en sparsom blanding av eksperter og innebygd støtte for multimodale inndata. Arkitekturen ruter hvert token gjennom et utvalgt delsett av eksperter. Dette er et særtrekk ved modellens utforming, ikke en brukerinnstilling for å velge en bestemt ekspert eller låse en driftskonfigurasjon.
Forbered inndataene ut fra oppgavens informasjonsbehov. Et dokument, et skjermbilde og et lydopptak kan gi ulike belegg. Angi hva hver ressurs inneholder, og hvordan den skal bidra til svaret. Utdataene er fortsatt tekst; forståelse av visuelt eller muntlig materiale gjør ikke denne forhåndsvarianten til en generator for bilder, tale eller video.
Bruk bilder til spørsmål om synlig innhold, lyd til muntlig eller akustisk informasjon og video til sekvenser der endringer over tid er viktige. Legg den faktiske ressursen ved spørsmålet fremfor bare å beskrive den etter hukommelsen. Når du sammenligner flere ressurser, merker du dem tydelig slik at svaret kan vise til riktig kilde.
En produktanalyse kan for eksempel kombinere en skriftlig spesifikasjon, et skjermbilde av grensesnittet og en innspilt demonstrasjon. Be om en sammenligning som skiller mellom hva spesifikasjonen lover, og hva som er synlig eller hørbart i det innsendte materialet. Definer det ønskede resultatet som funn, støttende observasjoner og uavklarte spørsmål.
Ved en PDF-oppgave legger du ved dokumentet og angir delene eller påstandene som skal undersøkes. Et nyttig spørsmål ber om sammenligning, uttrekking eller forklaring knyttet til kilden, i stedet for bare å be om et generelt sammendrag av en stor fil.
Spesifikasjonen for akkurat denne forhåndsvarianten oppgir en inndatagrense på 1 048 576 tokener og en utdatagrense på 65 536 tokener. Produsenten oppgir januar 2025 som kunnskapsgrense; legg ved nyere belegg når spørsmålet avhenger av senere hendelser eller informasjon. Dette er to ulike rammer. Et stort kildemateriale kan leses for å gi et målrettet svar uten at modellen må gjengi alle deler av inndataene.
Organiser langt materiale med tydelig struktur: dokumenttitler, seksjonsgrenser, kodestier og spørsmålet utdataene må besvare. Hold relevante unntak og definisjoner nær innholdet de avgrenser. Hvis oppgaven krever en lang rapport, angir du rapportens seksjoner og hvilke belegg som forventes i hver av dem.
Et stort kontekstvindu garanterer ikke at alle detaljer får like stor oppmerksomhet, eller at alle konklusjoner blir riktige. Google peker også på mulig svekkelse gjennom samtaler med flere runder; kontroller viktige kildefakta og gjenbrukt kontekst etter hvert som samtalen utvikler seg. Kontroller svaret mot de konkrete tekstutdragene eller ressursene som underbygger viktige påstander.
Produsentens tiltenkte bruksområder omfatter avansert programmering og algoritmisk arbeid. Oppgi relevant kildekode, forutsetninger om miljøet, observert feil og forventet oppførsel. Ved en algoritmeoppgave definerer du inndata, ønskede utdata og betingelser som rekkefølge, duplikater eller ugyldige data.
En nyttig feilsøkingsbeskrivelse kobler inndataene som feiler og feilmeldingen til den minste relevante delen av kildekoden. Be om en diagnose og en avgrenset endring, og undersøk deretter om den foreslåtte endringen retter den rapporterte oppførselen. Generert kode og en påstand om at den bør virke, er noe annet enn en implementasjon som er kjørt og verifisert.
Ved et spørsmål om et større kodelager bruker du inndatarammen til å legge ved nødvendige filer med tydelige stimerker. Oppgi om det ønskede resultatet er en forklaring, et endringsforslag eller en analyse av alternativer, slik at resultatet har et konkret formål.
Produsentspesifikasjonen for forhåndsvarianten støtter funksjonskall, kodekjøring, filsøk, kildeforankring gjennom søk og URL-kontekst. Disse funksjonene har ulike roller. Et funksjonskall beskriver en operasjon applikasjonen skal utføre; et verktøyresultat gir deretter belegg for modellens neste trinn. Kodekjøring er en verktøyflyt, ikke en garanti for at vilkårlig generert applikasjonskode allerede er testet.
Kildeforankring gjennom søk og URL-kontekst gir kildeorienterte arbeidsflyter, mens filsøk arbeider med en klargjort filsamling. Bevar verktøyresultater og koblinger til kilder sammen med svaret, slik at en konklusjon kan undersøkes. Ifølge spesifikasjonen støtter denne modellvarianten verken datamaskinbruk eller kildeforankring med Maps.
Støtte for strukturerte utdata kan uttrykke et resultat i et definert skjema. Angi feltene og betydningen deres før generering, og kontroller både innholdet og formatet. Et gyldig strukturert objekt krever fortsatt kontroll av fakta og samsvar med oppgaven.
Denne forhåndsvarianten støtter resonneringsmodus. Bruk en tydelig oppgave, relevante belegg og uttrykkelige begrensninger ved arbeid som krever flere resonneringstrinn. Resultatet bør forklare forutsetninger og den nyttige konklusjonen; skjult resonnering eller tilstedeværelsen av en resonneringsmodus er ikke i seg selv verifikasjon.
Produsenten oppgir også støtte for hurtigbufring og batchbehandling. Dette er behandlingsfunksjoner som er atskilt fra modellens innholdsegenskaper, og deres tilstedeværelse dokumenterer verken at en bestemt forespørsel ble hurtigbufret, eller at et batchresultat er riktig.
Hold Gemini 3 Pro Preview atskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-variantene. Denne forhåndsvariantens utdata er tekst, og spesifikasjonen omfatter verken bildegenerering, lydgenerering eller Live-drift. Vurder det returnerte svaret, koden eller det strukturerte resultatet mot det innsendte kildematerialet og den tiltenkte oppgaven.
", "aboutText": "Gemini 3 Pro Preview er Googles navngitte forhåndsvariant av Gemini 3 Pro for multimodal resonnering og tekstgenerering. Den kan arbeide med tekst, bilder, lyd, video og PDF-dokumenter og returnere et skriftlig resultat. Tiltenkte bruksområder omfatter kompleks analyse, avansert programmering, algoritmeutvikling og oppgaver som kombinerer et omfattende kildemateriale med et konkret spørsmål.\n\n### Modell og inndatastruktur\n\nGemini 3 Pro er en transformerbasert modell med en sparsom blanding av eksperter og innebygd støtte for multimodale inndata. Arkitekturen ruter hvert token gjennom et utvalgt delsett av eksperter. Dette er et særtrekk ved modellens utforming, ikke en brukerinnstilling for å velge en bestemt ekspert eller låse en driftskonfigurasjon.\n\nForbered inndataene ut fra oppgavens informasjonsbehov. Et dokument, et skjermbilde og et lydopptak kan gi ulike belegg. Angi hva hver ressurs inneholder, og hvordan den skal bidra til svaret. Utdataene er fortsatt tekst; forståelse av visuelt eller muntlig materiale gjør ikke denne forhåndsvarianten til en generator for bilder, tale eller video.\n\n### Multimodal analyse\n\nBruk bilder til spørsmål om synlig innhold, lyd til muntlig eller akustisk informasjon og video til sekvenser der endringer over tid er viktige. Legg den faktiske ressursen ved spørsmålet fremfor bare å beskrive den etter hukommelsen. Når du sammenligner flere ressurser, merker du dem tydelig slik at svaret kan vise til riktig kilde.\n\nEn produktanalyse kan for eksempel kombinere en skriftlig spesifikasjon, et skjermbilde av grensesnittet og en innspilt demonstrasjon. Be om en sammenligning som skiller mellom hva spesifikasjonen lover, og hva som er synlig eller hørbart i det innsendte materialet. Definer det ønskede resultatet som funn, støttende observasjoner og uavklarte spørsmål.\n\nVed en PDF-oppgave legger du ved dokumentet og angir delene eller påstandene som skal undersøkes. Et nyttig spørsmål ber om sammenligning, uttrekking eller forklaring knyttet til kilden, i stedet for bare å be om et generelt sammendrag av en stor fil.\n\n### Lang kontekst og utdataramme\n\nSpesifikasjonen for akkurat denne forhåndsvarianten oppgir en inndatagrense på 1 048 576 tokener og en utdatagrense på 65 536 tokener. Produsenten oppgir januar 2025 som kunnskapsgrense; legg ved nyere belegg når spørsmålet avhenger av senere hendelser eller informasjon. Dette er to ulike rammer. Et stort kildemateriale kan leses for å gi et målrettet svar uten at modellen må gjengi alle deler av inndataene.\n\nOrganiser langt materiale med tydelig struktur: dokumenttitler, seksjonsgrenser, kodestier og spørsmålet utdataene må besvare. Hold relevante unntak og definisjoner nær innholdet de avgrenser. Hvis oppgaven krever en lang rapport, angir du rapportens seksjoner og hvilke belegg som forventes i hver av dem.\n\nEt stort kontekstvindu garanterer ikke at alle detaljer får like stor oppmerksomhet, eller at alle konklusjoner blir riktige. Google peker også på mulig svekkelse gjennom samtaler med flere runder; kontroller viktige kildefakta og gjenbrukt kontekst etter hvert som samtalen utvikler seg. Kontroller svaret mot de konkrete tekstutdragene eller ressursene som underbygger viktige påstander.\n\n### Programmering og algoritmeutvikling\n\nProdusentens tiltenkte bruksområder omfatter avansert programmering og algoritmisk arbeid. Oppgi relevant kildekode, forutsetninger om miljøet, observert feil og forventet oppførsel. Ved en algoritmeoppgave definerer du inndata, ønskede utdata og betingelser som rekkefølge, duplikater eller ugyldige data.\n\nEn nyttig feilsøkingsbeskrivelse kobler inndataene som feiler og feilmeldingen til den minste relevante delen av kildekoden. Be om en diagnose og en avgrenset endring, og undersøk deretter om den foreslåtte endringen retter den rapporterte oppførselen. Generert kode og en påstand om at den bør virke, er noe annet enn en implementasjon som er kjørt og verifisert.\n\nVed et spørsmål om et større kodelager bruker du inndatarammen til å legge ved nødvendige filer med tydelige stimerker. Oppgi om det ønskede resultatet er en forklaring, et endringsforslag eller en analyse av alternativer, slik at resultatet har et konkret formål.\n\n### Verktøy, kilder og strukturerte resultater\n\nProdusentspesifikasjonen for forhåndsvarianten støtter funksjonskall, kodekjøring, filsøk, kildeforankring gjennom søk og URL-kontekst. Disse funksjonene har ulike roller. Et funksjonskall beskriver en operasjon applikasjonen skal utføre; et verktøyresultat gir deretter belegg for modellens neste trinn. Kodekjøring er en verktøyflyt, ikke en garanti for at vilkårlig generert applikasjonskode allerede er testet.\n\nKildeforankring gjennom søk og URL-kontekst gir kildeorienterte arbeidsflyter, mens filsøk arbeider med en klargjort filsamling. Bevar verktøyresultater og koblinger til kilder sammen med svaret, slik at en konklusjon kan undersøkes. Ifølge spesifikasjonen støtter denne modellvarianten verken datamaskinbruk eller kildeforankring med Maps.\n\nStøtte for strukturerte utdata kan uttrykke et resultat i et definert skjema. Angi feltene og betydningen deres før generering, og kontroller både innholdet og formatet. Et gyldig strukturert objekt krever fortsatt kontroll av fakta og samsvar med oppgaven.\n\n### Resonnering, gjenbruk og utgavegrenser\n\nDenne forhåndsvarianten støtter resonneringsmodus. Bruk en tydelig oppgave, relevante belegg og uttrykkelige begrensninger ved arbeid som krever flere resonneringstrinn. Resultatet bør forklare forutsetninger og den nyttige konklusjonen; skjult resonnering eller tilstedeværelsen av en resonneringsmodus er ikke i seg selv verifikasjon.\n\nProdusenten oppgir også støtte for hurtigbufring og batchbehandling. Dette er behandlingsfunksjoner som er atskilt fra modellens innholdsegenskaper, og deres tilstedeværelse dokumenterer verken at en bestemt forespørsel ble hurtigbufret, eller at et batchresultat er riktig.\n\nHold Gemini 3 Pro Preview atskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-variantene. Denne forhåndsvariantens utdata er tekst, og spesifikasjonen omfatter verken bildegenerering, lydgenerering eller Live-drift. Vurder det returnerte svaret, koden eller det strukturerte resultatet mot det innsendte kildematerialet og den tiltenkte oppgaven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "83120a15dea8313e1cb5e03a97ce439eb3ea89066c3ba4f3eb12d7bc8af08151", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "gemini-3-pro-previewGemini 3 Pro Preview er Googles multimodale resonneringsmodell for tekst, bilder, lyd, video og PDF-er, med tekst som utdata. Den store inndatarammen, kodeegenskapene og støttede verktøyflytene egner seg til detaljert analyse, dokumentsammenligning og oppgaveutførelse basert på belegg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3 Pro Preview er Googles navngitte forhåndsvariant av Gemini 3 Pro for multimodal resonnering og tekstgenerering. Den kan arbeide med tekst, bilder, lyd, video og PDF-dokumenter og returnere et skriftlig resultat. Tiltenkte bruksområder omfatter kompleks analyse, avansert programmering, algoritmeutvikling og oppgaver som kombinerer et omfattende kildemateriale med et konkret spørsmål.
Gemini 3 Pro er en transformerbasert modell med en sparsom blanding av eksperter og innebygd støtte for multimodale inndata. Arkitekturen ruter hvert token gjennom et utvalgt delsett av eksperter. Dette er et særtrekk ved modellens utforming, ikke en brukerinnstilling for å velge en bestemt ekspert eller låse en driftskonfigurasjon.
Forbered inndataene ut fra oppgavens informasjonsbehov. Et dokument, et skjermbilde og et lydopptak kan gi ulike belegg. Angi hva hver ressurs inneholder, og hvordan den skal bidra til svaret. Utdataene er fortsatt tekst; forståelse av visuelt eller muntlig materiale gjør ikke denne forhåndsvarianten til en generator for bilder, tale eller video.
Bruk bilder til spørsmål om synlig innhold, lyd til muntlig eller akustisk informasjon og video til sekvenser der endringer over tid er viktige. Legg den faktiske ressursen ved spørsmålet fremfor bare å beskrive den etter hukommelsen. Når du sammenligner flere ressurser, merker du dem tydelig slik at svaret kan vise til riktig kilde.
En produktanalyse kan for eksempel kombinere en skriftlig spesifikasjon, et skjermbilde av grensesnittet og en innspilt demonstrasjon. Be om en sammenligning som skiller mellom hva spesifikasjonen lover, og hva som er synlig eller hørbart i det innsendte materialet. Definer det ønskede resultatet som funn, støttende observasjoner og uavklarte spørsmål.
Ved en PDF-oppgave legger du ved dokumentet og angir delene eller påstandene som skal undersøkes. Et nyttig spørsmål ber om sammenligning, uttrekking eller forklaring knyttet til kilden, i stedet for bare å be om et generelt sammendrag av en stor fil.
Spesifikasjonen for akkurat denne forhåndsvarianten oppgir en inndatagrense på 1 048 576 tokener og en utdatagrense på 65 536 tokener. Produsenten oppgir januar 2025 som kunnskapsgrense; legg ved nyere belegg når spørsmålet avhenger av senere hendelser eller informasjon. Dette er to ulike rammer. Et stort kildemateriale kan leses for å gi et målrettet svar uten at modellen må gjengi alle deler av inndataene.
Organiser langt materiale med tydelig struktur: dokumenttitler, seksjonsgrenser, kodestier og spørsmålet utdataene må besvare. Hold relevante unntak og definisjoner nær innholdet de avgrenser. Hvis oppgaven krever en lang rapport, angir du rapportens seksjoner og hvilke belegg som forventes i hver av dem.
Et stort kontekstvindu garanterer ikke at alle detaljer får like stor oppmerksomhet, eller at alle konklusjoner blir riktige. Google peker også på mulig svekkelse gjennom samtaler med flere runder; kontroller viktige kildefakta og gjenbrukt kontekst etter hvert som samtalen utvikler seg. Kontroller svaret mot de konkrete tekstutdragene eller ressursene som underbygger viktige påstander.
Produsentens tiltenkte bruksområder omfatter avansert programmering og algoritmisk arbeid. Oppgi relevant kildekode, forutsetninger om miljøet, observert feil og forventet oppførsel. Ved en algoritmeoppgave definerer du inndata, ønskede utdata og betingelser som rekkefølge, duplikater eller ugyldige data.
En nyttig feilsøkingsbeskrivelse kobler inndataene som feiler og feilmeldingen til den minste relevante delen av kildekoden. Be om en diagnose og en avgrenset endring, og undersøk deretter om den foreslåtte endringen retter den rapporterte oppførselen. Generert kode og en påstand om at den bør virke, er noe annet enn en implementasjon som er kjørt og verifisert.
Ved et spørsmål om et større kodelager bruker du inndatarammen til å legge ved nødvendige filer med tydelige stimerker. Oppgi om det ønskede resultatet er en forklaring, et endringsforslag eller en analyse av alternativer, slik at resultatet har et konkret formål.
Produsentspesifikasjonen for forhåndsvarianten støtter funksjonskall, kodekjøring, filsøk, kildeforankring gjennom søk og URL-kontekst. Disse funksjonene har ulike roller. Et funksjonskall beskriver en operasjon applikasjonen skal utføre; et verktøyresultat gir deretter belegg for modellens neste trinn. Kodekjøring er en verktøyflyt, ikke en garanti for at vilkårlig generert applikasjonskode allerede er testet.
Kildeforankring gjennom søk og URL-kontekst gir kildeorienterte arbeidsflyter, mens filsøk arbeider med en klargjort filsamling. Bevar verktøyresultater og koblinger til kilder sammen med svaret, slik at en konklusjon kan undersøkes. Ifølge spesifikasjonen støtter denne modellvarianten verken datamaskinbruk eller kildeforankring med Maps.
Støtte for strukturerte utdata kan uttrykke et resultat i et definert skjema. Angi feltene og betydningen deres før generering, og kontroller både innholdet og formatet. Et gyldig strukturert objekt krever fortsatt kontroll av fakta og samsvar med oppgaven.
Denne forhåndsvarianten støtter resonneringsmodus. Bruk en tydelig oppgave, relevante belegg og uttrykkelige begrensninger ved arbeid som krever flere resonneringstrinn. Resultatet bør forklare forutsetninger og den nyttige konklusjonen; skjult resonnering eller tilstedeværelsen av en resonneringsmodus er ikke i seg selv verifikasjon.
Produsenten oppgir også støtte for hurtigbufring og batchbehandling. Dette er behandlingsfunksjoner som er atskilt fra modellens innholdsegenskaper, og deres tilstedeværelse dokumenterer verken at en bestemt forespørsel ble hurtigbufret, eller at et batchresultat er riktig.
Hold Gemini 3 Pro Preview atskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-variantene. Denne forhåndsvariantens utdata er tekst, og spesifikasjonen omfatter verken bildegenerering, lydgenerering eller Live-drift. Vurder det returnerte svaret, koden eller det strukturerte resultatet mot det innsendte kildematerialet og den tiltenkte oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3-pro-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.004 / 1K tokener Utdata · Utgående tokener $0.024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3-pro-preview","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-pro-preview", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-3-pro-preview
/chat/completions
gemini-3-pro-previewGemini 3 Pro Preview er Googles multimodale resonneringsmodell for tekst, bilder, lyd, video og PDF-er, med tekst som utdata. Den store inndatarammen, kodeegenskapene og støttede verktøyflytene egner seg til detaljert analyse, dokumentsammenligning og oppgaveutførelse basert på belegg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3 Pro Preview er Googles navngitte forhåndsvariant av Gemini 3 Pro for multimodal resonnering og tekstgenerering. Den kan arbeide med tekst, bilder, lyd, video og PDF-dokumenter og returnere et skriftlig resultat. Tiltenkte bruksområder omfatter kompleks analyse, avansert programmering, algoritmeutvikling og oppgaver som kombinerer et omfattende kildemateriale med et konkret spørsmål.
Gemini 3 Pro er en transformerbasert modell med en sparsom blanding av eksperter og innebygd støtte for multimodale inndata. Arkitekturen ruter hvert token gjennom et utvalgt delsett av eksperter. Dette er et særtrekk ved modellens utforming, ikke en brukerinnstilling for å velge en bestemt ekspert eller låse en driftskonfigurasjon.
Forbered inndataene ut fra oppgavens informasjonsbehov. Et dokument, et skjermbilde og et lydopptak kan gi ulike belegg. Angi hva hver ressurs inneholder, og hvordan den skal bidra til svaret. Utdataene er fortsatt tekst; forståelse av visuelt eller muntlig materiale gjør ikke denne forhåndsvarianten til en generator for bilder, tale eller video.
Bruk bilder til spørsmål om synlig innhold, lyd til muntlig eller akustisk informasjon og video til sekvenser der endringer over tid er viktige. Legg den faktiske ressursen ved spørsmålet fremfor bare å beskrive den etter hukommelsen. Når du sammenligner flere ressurser, merker du dem tydelig slik at svaret kan vise til riktig kilde.
En produktanalyse kan for eksempel kombinere en skriftlig spesifikasjon, et skjermbilde av grensesnittet og en innspilt demonstrasjon. Be om en sammenligning som skiller mellom hva spesifikasjonen lover, og hva som er synlig eller hørbart i det innsendte materialet. Definer det ønskede resultatet som funn, støttende observasjoner og uavklarte spørsmål.
Ved en PDF-oppgave legger du ved dokumentet og angir delene eller påstandene som skal undersøkes. Et nyttig spørsmål ber om sammenligning, uttrekking eller forklaring knyttet til kilden, i stedet for bare å be om et generelt sammendrag av en stor fil.
Spesifikasjonen for akkurat denne forhåndsvarianten oppgir en inndatagrense på 1 048 576 tokener og en utdatagrense på 65 536 tokener. Produsenten oppgir januar 2025 som kunnskapsgrense; legg ved nyere belegg når spørsmålet avhenger av senere hendelser eller informasjon. Dette er to ulike rammer. Et stort kildemateriale kan leses for å gi et målrettet svar uten at modellen må gjengi alle deler av inndataene.
Organiser langt materiale med tydelig struktur: dokumenttitler, seksjonsgrenser, kodestier og spørsmålet utdataene må besvare. Hold relevante unntak og definisjoner nær innholdet de avgrenser. Hvis oppgaven krever en lang rapport, angir du rapportens seksjoner og hvilke belegg som forventes i hver av dem.
Et stort kontekstvindu garanterer ikke at alle detaljer får like stor oppmerksomhet, eller at alle konklusjoner blir riktige. Google peker også på mulig svekkelse gjennom samtaler med flere runder; kontroller viktige kildefakta og gjenbrukt kontekst etter hvert som samtalen utvikler seg. Kontroller svaret mot de konkrete tekstutdragene eller ressursene som underbygger viktige påstander.
Produsentens tiltenkte bruksområder omfatter avansert programmering og algoritmisk arbeid. Oppgi relevant kildekode, forutsetninger om miljøet, observert feil og forventet oppførsel. Ved en algoritmeoppgave definerer du inndata, ønskede utdata og betingelser som rekkefølge, duplikater eller ugyldige data.
En nyttig feilsøkingsbeskrivelse kobler inndataene som feiler og feilmeldingen til den minste relevante delen av kildekoden. Be om en diagnose og en avgrenset endring, og undersøk deretter om den foreslåtte endringen retter den rapporterte oppførselen. Generert kode og en påstand om at den bør virke, er noe annet enn en implementasjon som er kjørt og verifisert.
Ved et spørsmål om et større kodelager bruker du inndatarammen til å legge ved nødvendige filer med tydelige stimerker. Oppgi om det ønskede resultatet er en forklaring, et endringsforslag eller en analyse av alternativer, slik at resultatet har et konkret formål.
Produsentspesifikasjonen for forhåndsvarianten støtter funksjonskall, kodekjøring, filsøk, kildeforankring gjennom søk og URL-kontekst. Disse funksjonene har ulike roller. Et funksjonskall beskriver en operasjon applikasjonen skal utføre; et verktøyresultat gir deretter belegg for modellens neste trinn. Kodekjøring er en verktøyflyt, ikke en garanti for at vilkårlig generert applikasjonskode allerede er testet.
Kildeforankring gjennom søk og URL-kontekst gir kildeorienterte arbeidsflyter, mens filsøk arbeider med en klargjort filsamling. Bevar verktøyresultater og koblinger til kilder sammen med svaret, slik at en konklusjon kan undersøkes. Ifølge spesifikasjonen støtter denne modellvarianten verken datamaskinbruk eller kildeforankring med Maps.
Støtte for strukturerte utdata kan uttrykke et resultat i et definert skjema. Angi feltene og betydningen deres før generering, og kontroller både innholdet og formatet. Et gyldig strukturert objekt krever fortsatt kontroll av fakta og samsvar med oppgaven.
Denne forhåndsvarianten støtter resonneringsmodus. Bruk en tydelig oppgave, relevante belegg og uttrykkelige begrensninger ved arbeid som krever flere resonneringstrinn. Resultatet bør forklare forutsetninger og den nyttige konklusjonen; skjult resonnering eller tilstedeværelsen av en resonneringsmodus er ikke i seg selv verifikasjon.
Produsenten oppgir også støtte for hurtigbufring og batchbehandling. Dette er behandlingsfunksjoner som er atskilt fra modellens innholdsegenskaper, og deres tilstedeværelse dokumenterer verken at en bestemt forespørsel ble hurtigbufret, eller at et batchresultat er riktig.
Hold Gemini 3 Pro Preview atskilt fra Gemini 3.1 Pro Preview, Gemini 3 Pro Image og lyd- eller Live-variantene. Denne forhåndsvariantens utdata er tekst, og spesifikasjonen omfatter verken bildegenerering, lydgenerering eller Live-drift. Vurder det returnerte svaret, koden eller det strukturerte resultatet mot det innsendte kildematerialet og den tiltenkte oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3-pro-preview | 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 $0.004 / 1K tokener Utdata · Utgående tokener $0.024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gemini-3-pro-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-preview', '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-pro-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gemini-3-pro-preview
/chat/completions