Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
", "aboutText": "Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.\n\nVed klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.\n\nTenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.\n\nVed oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.\n\nDen konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.\n\nDet underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.\n\nDenne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.\n\nKortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c3b358b79dbb59e3ae9abcf27eb275da4e32ee3b1e1e85b8949ec53915a13581", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "google/gemini-2.5-flash-lite:batchGemini 2.5 Flash-Lite er Googles stabile multimodale tekstmodell for hyppig klassifisering, oversettelse og enkel uthenting. Tenking er avslått som standard og kan aktiveres med et resonneringsbudsjett på 512–24,576 tokener. Den tar imot tekst og medier, med verktøy, strukturerte utdata og en inndatagrense på 1,048,576 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Flash-Lite er Googles stabile lettvektsprofil for oversettelse, klassifisering og enkel datauthenting i store volumer. Den hybride resonneringen kan bruke eller utelate tenking etter oppgaven. Den tar imot tekst, bilder, lyd, video og PDF og produserer tekst. Et nyttig resultat er en kategori, en kortfattet oversettelse, en oppføring hentet fra innsendt materiale eller en avgrenset skriftlig forklaring.
Ved klassifisering bør du definere kategoriene, beslutningsregelen og svarformen. Behold kildeidentifikatoren i resultatet når flere uavhengige elementer behandles. Ved klassifisering av kundestøttemeldinger kan du klassifisere en melding etter problemtype og returnere setningen som underbygger kategorien. Ta med en regel for manglende eller tvetydig underlag, slik at et velformulert svar ikke fyller et obligatorisk felt med en gjetning. Modellens lettvektsrolle er mest nyttig når inndataene og det påkrevde resultatet er tydelig angitt.
Tenking er avslått som standard i den dokumenterte konfigurasjonen for 2.5 Flash-Lite. Googles GenerateContent-veiledning for tenking tillater et eksplisitt tenkebudsjett fra 512 til 24,576 tokener, null for å beholde tenking avslått og -1 for å be om dynamisk tenking. Dette er innstillinger for resonneringsbudsjett, atskilt fra rammen for sluttsvaret. Aktiver ekstra resonnering når en uthenting har gjensidig avhengige betingelser eller en klassifisering har unntak; en enkel konvertering kan beholde standardvirkemåten uten tenking. Veiledningen bemerker at modellen kan bruke flere eller færre tenketokener enn det forespurte budsjettet.
Ved oversettelse bør du oppgi målspråket, målgruppen og termene som skal beholdes. Angi om resultatet bare skal inneholde oversettelsen eller en merket oppføring. Ved uthenting fra dokumenter bør du definere feltene og be om kildeavsnitt som gjør det mulig å kontrollere utdataene. For et opptak bør du skille mellom transkripsjon og oppsummering og angi passasjen som er viktig. Bilder eller video kan bidra med underlag for et tekstsvar. Den ønskede leveransen bør være tydelig også når inndataene kombinerer flere medietyper.
Den konkrete tabellen for den stabile utgaven oppgir funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Funksjoner trenger et tydelig formål og definerte parametere; den tilkoblede applikasjonen utfører operasjonen og leverer resultatet. Ved skjemabasert uthenting bør du validere den returnerte strukturen og sammenligne verdiene med originalmaterialet. Et verktøyvalg eller en velformet oppføring er bare nyttig i sammenheng med kilden og det faktiske returnerte underlaget.
Det underliggende modellkortet oppgir et kontekstvindu på 1M og tekstutdata på 64K. API-modellsiden angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart samtale bruker av inndatabudsjettet, mens resonnering og en svargrense påvirker om sluttresultatet får plass. Hurtigbufring og behandling med batch, Flex og Priority er oppgitt for denne produsentprofilen. Ved gjentatte oppgaver bør du beholde de samme kategori- eller feltdefinisjonene og føre identifikatorene videre i resultatet, slik at en senere gjennomgang kan finne det opprinnelige elementet.
Denne stabile profilen er atskilt fra Preview-variantene fra juni og september som beskrives andre steder i familien. Det felles underliggende modellkortet knytter forbedringene i September Preview, blant annet instruksjonsfølging og kortfattethet, uttrykkelig til den forhåndsversjonen; de bør ikke stilltiende overføres til den stabile identifikatoren. Senere Flash-Lite-generasjoner bruker også andre tenkeinnstillinger og egenskapstabeller. Bevar utgaven og velg innstillingene som er dokumentert for den, i stedet for å erstatte 2.5-budsjetter med syntaks for tenkenivå i Gemini 3.
Kortet oppgir hallusinasjoner og begrensninger i årsaksforståelse, kompleks logisk deduksjon og kontrafaktisk resonnering, og har en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder eller bruk en dokumentert forankringsflyt når nyere fakta er viktige. Gjennomgå oversettelser for meningsinnhold, uthentede felt for kildegrunnlag og transkripsjoner mot lyden. Et avgrenset, lite resultat gjør denne kontrollen praktisk uten å behandle et polert svar som bevis på at kilden inneholdt den påståtte detaljen.
POST /v1/batchestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrevd | Verdier & grenser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-2.5-flash-lite:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltcompletion_window | Typestring | KravValgfritt | Verdier & grenser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfritt | Verdier & grenser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfritt | Verdier & grenser google/gemini-2.5-flash-lite:batch, google/gemini-2.5-flash-lite | Standard— |
Feltprovider.only | Typestring[] | KravValgfritt | Verdier & grenser google-ai-studio | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfritt | Verdier & grenser false, null | Standard— |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtaleendpoint, model, requests |
Parametermaterial_types | Avtaletext |
Parameterrepresentation | Avtalerequests[] direkte i forespørselen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Avtale/v1/chat/completions |
Parameterfile_material | AvtaleKlienten kan lese det faktiske UTF-8-kodede JSONL-innholdet lokalt inn i requests[]. Feltet purpose for opplasting, input_file_id og filreferanser brukes ikke. Manglende eller tomt kundemateriale stopper klargjøringen før POST. |
Parameterserialization_order | Avtaleendpoint, model, provider (hvis angitt), completion_window (hvis angitt), requests til slutt |
Parameteroptional_controls | Avtaleprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtaleForespørselsinnhold for tekstbasert Chat Completions lagt direkte inn i det dokumenterte Batch-formatet. |
Livssyklus: asynchronous
GET /v1/batches/{operation_id} · faktisk response.id fra den opprinnelige opprettelsen; samme bruker/nøkkel/gruppe
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"google/gemini-2.5-flash-lite:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['google/gemini-2.5-flash-lite:batch', 'google/gemini-2.5-flash-lite']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-2.5-flash-lite:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON fra results[].response.body direkte i svaret
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBehold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele den opprinnelige statusresponsen i JSON, alle resultater og custom_id-verdier samt hele svar- eller feilinnholdet. Lagre fullførte results[] som JSONL uten filtrering.
Bevar den opprinnelige operasjons-ID-en. 503 result_pending_check har X-Should-Retry:false; send aldri den opprinnelige batchen på nytt når utfallet er ukjent.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldig struktur i det dokumenterte formatet med innebygde forespørsler, dupliserte nøkler, ugyldig elementidentitet eller konflikt med modellens konfigurerte funksjoner. | Neste trinnRett de angitte feltene før du sender en ny forespørsel. |
Svar401 · authentication_error | VilkårUgyldig API-nøkkel. | Neste trinnBruk den autoriserte Ailoot-nøkkelen. |
Svar403 · permission_error | VilkårGruppen for batchbehandling er ikke tilgjengelig. | Neste trinnKontroller tilgangsrettighetene til nøkkelen/gruppen. |
Svar422 · invalid_request_error | VilkårBatch belastes saldoen; opprettelse via abonnement avvises. | Neste trinnBruk den autoriserte gruppen som belastes saldoen. |
Svar422 · price_unavailable | VilkårDet kan ikke beregnes en pris for batchens inndata. | Neste trinnBevar svaret; bruk de dokumenterte inndataene for API-familien. |
Svar402 · billing_error | VilkårBeløpsreservasjon for batchbehandling er ikke tilgjengelig. | Neste trinnLøs problemet som hindrer forespørselen i å bli godkjent før du sender en ny forespørsel. |
Svar503 · price_unavailable | VilkårPris for Batch-metoden eller systemets innebygde satser er ikke tilgjengelige. | Neste trinnBevar svaret; ikke erstatt prisene. |
Svar503 · api_error | VilkårDen nøyaktige leverandørruten er ikke tilgjengelig. | Neste trinnBevar svaret slik at ruten kan repareres. |
Svar503 · result_pending_check | VilkårDet opprinnelige resultatet må kontrolleres; X-Should-Retry:false. | Neste trinnBevar opprinnelig operation_id/id og les statusen; gjenta aldri den opprinnelige POST-forespørselen. |
Svar404 · not_found | VilkårStatusoperasjonen for batchen finnes ikke eller tilhører en annen identitet. | Neste trinnBruk nøyaktig den opprinnelige id-verdien og samme bruker/nøkkel/gruppe. |
Ailoot Ultra google/gemini-2.5-flash-lite:batch
Bruk metodestiene som vises ovenfor.